陈科峻， 张 叶

( 1. 中国科学院 长春光学精密机械与物理研究所 应用光学国家重点实验室，吉林 长春 130033；2. 中国科学院大学， 北京 100049)

1 引 言

随着海上运输业的快速发展，海上遇难船只搜救、船舶避撞、非法捕鱼、非法货运船只的管控等任务，对海上船只精确定位与识别技术有着广泛的需求和重要的现实意义[1]。因此，从环境保护机构到国家政府当局，许多组织对海上船只进行更密切的监视。随着卫星技术的日益成熟和卫星航空成像精度的日益提高，卫星图像中包含的信息多样，利用卫星图像进行海上船只的检测受到了广泛的关注。然而，视点、旋转、背景等多种因素变化的影响使得卫星图像船只检测任务依然存在严峻的挑战。

目前，国内外研究人员对图像船舰目标检测做了大量的相关研究。文献[2]通过分析遥感图像中的明暗像素的关联参数对船只进行目标检测，实现图像中明暗场景的快速识别与分离。然而基于传统特征提取的方法进行目标检测往往精度不高。由于海洋表面微波散射情况复杂，传统船舰检测算法能力有限。文献[3]针对以上问题，通过分辨率归一化制作混合的训练样本数据集，基于Faster-RCNN[4]的框架下，构建了一个3层卷积神经网络的船舰检测算法，取得了较好的检测效果。但基于Faster-RCNN的船舰检测算法模型复杂度较高，检测速度难以达到实时性检测的要求。近年来，随着基于深度学习的目标检测技术的发展，YOLO(you only look once)[5]作为一个兼顾了检测速度和检测精度的算法被广泛应用于日常的目标检测任务中。……