马啸，邵利民，金鑫，卢惠民，肖军浩，谷东亮

(1.海军研究院，北京 100071； 2.海军大连舰艇学院 航海系，辽宁，大连 116000； 3.国防科技大学 智能科学学院 自动化系，湖南，长沙 410000)

随着作战方式的变革，无人作战系统成为现代武器装备的发展趋势之一，利用舰载无人机、水面无人艇执行侦察搜救等任务已经成为海上信息化作战中的重要手段，其中对海上舰船目标进行自主探测是保证任务完成的关键因素[1]. 相比于远距离雷达、红外目标探测系统，视觉系统是近距离目标图像采集与探测的主要设备系统，从视觉系统采集的可见光图像中检测出舰船目标，并进一步实现舰船目标的语义分割为舰载无人机、水面无人艇等更快速、准确地完成任务提供了有效保障[2].

近年来，深度学习技术在目标检测等计算机视觉任务中表现出色，一些典型的目标检测算法如Faster R-CNN(faster region-based convolutiona neural networks)、YOLO(you only look once)、SSD(single shot multi-box detector)等被陆续应用到舰船目标检测当中[3-9]，通过构建舰船样本数据库训练网络模型自动提取目标特征以实现不同姿态、不同种类的舰船目标检测，具有较强的鲁棒性且避免了人工设计提取特征的过程，节省了大量资源，但其中很多算法的检测框都是与图像横纵轴相平行的经典矩形检测框，在检测舰船目标时会框出很多无关区域，影响舰船目标的检测精度[10-13]. 基于深度学习技术的Mask R-CNN目标检测算法将目标检测框与像素级语义分割相结合，在检测出每个目标位置的同时获得目标的边缘轮廓，能够很……