刘万军，高健康，曲海成，姜文涛

(辽宁工程技术大学软件学院，葫芦岛 125105)

0 引言

遥感图像舰船目标检测一直是遥感图像处理的研究热点，核心任务是定位和识别图像中的舰船目标，在渔业管理、海上运输、船只救援、保卫领土等领域有着重要的现实意义[1]。在遥感图像中，舰船存在被复杂的背景包围，目标小且密集排列的现象，这导致舰船漏检现象严重，是遥感图像解译面临的挑战性问题。

传统的舰船目标检测算法通过先验信息和纹理特征对图像进行海陆分离[2]，选择水域作为感兴趣区域，使用模板匹配、形态学比对算法、监督分类[3]在感兴趣区域检测舰船目标。由于舰船检测受到雾气、云层、光照的干扰，传统的算法检测精度较低、鲁棒性差，很难满足实用性需求。卷积神经网络[4]在目标检测中的应用，使得更多高效的目标检测算法被提出，检测算法可分为单阶段和双阶段两类，主流的单阶段检测模型有YOLO系列[5]、SDD算法[6]，该类方法基于回归的思路，直接预测类别置信度，并且在图像上定位出目标位置，但是单阶段检测对于多尺度、小目标的检测效果较差。双阶段模型提出了区域建议网络结构，生成一系列包含潜在目标的候选框，再进一步确定目标类别和校正边界框。以Faster R-CNN[7]为代表发展出了特征金字塔网络(feature pyramid networks,FPN)[8]、Mask R-CNN[9]等基于多尺度特征融合的算法。单阶段的模型检测速度更优，达到了实时检测的效果，双阶段的检测准确率更占优势。

虽然基于深度学习的检测算法不断地应用在遥感图像舰船检测中，但都是基于水平区域的检测，遥感图像中存在方向角任意的舰船，目标角度一旦倾斜，水平检测框的冗余区域与船只的重叠部分会变大，不利于后期非极大值抑制操作。……