光睿智，安博文，潘胜达

上海海事大学 信息工程学院，上海 201306

伴随着国内航运事业的迅猛发展，内河航道愈发拥挤，给海事部门的监管带来许多困难。随着无人机技术的快速进步，采用无人机航拍影像进行航道船舶目标检测已经成为较有成效的辅助手段，其优势在于覆盖面广，可以实现目标航道无死角的监控。然而，无人机影像中船舶目标较小，尺度变换较大，具有易抖动、易模糊和航道两边背景特征复杂的问题，进行船舶目标检测的难度较高。传统的目标检测算法一般基于人工设计特征，如HOG[1]、SIFT[2]、SURF[3]等，因此在实际使用时检测效果不够理想，且泛化能力较弱。

现今计算机视觉领域中基于深度学习的目标检测算法已经在目标检测方向得到广泛的应用。这类算法若根据网络结构上的差异进行划分，依照是否有候选区域网络分为单阶段和两阶段两类。单阶段目标检测算法的检测精度普遍较之两阶段算法稍差，但其一般具有更快的检测速度，更适合工程应用。此外，依据不同的边框回归策略，基于深度学习的目标检测算法也分成基于锚框（anchor-base）和无锚框（anchor-free）两类。锚框是由数据集预处理产生的一种超参数，通过预先规范检测框的形状来提高网络召回率和精度。虽然使用锚框可以在一定程度上的优化算法性能，但是其存在并不符合人眼视觉特性，也不利于算法的泛化。因此，设计基于无锚框的算法实现目标检测已经成为该领域的重要方向。……