自注意力机制驱动的轻量化高鲁棒船舶目标检测方法

作者：马枫; 石子慧^*; 孙杰; 陈晨; 毛显斌; 严新平

来源：中国舰船研究, 2023, 1-17.

DOI：10.19693/j.issn.1673-3185.03389

• 船舶目标检测
• 复杂环境
• Swin Transformer
• SIoU1

【目的】海岸监控与驾驶瞭望过程中，需要在远距离、多场景下对各种目标进行识别与跟踪。其中，船舶目标往往成像小、特征不明显，容易与其他目标混淆。为此，提出了一种新颖的船舶检测方法 ShipDet，通过设计专用骨干网络、改进特征提取过程、约束微观检测头，大幅改善了上述问题。【方法】首先，通过融合自注意力模块Swin Transformer(STR)和经典CSPDarknet53网络，构造出对微小物标高度敏感的特征融合提取网络，增强了小目标特征与环境的相关关系，建立船与航道、船与船、船与岸线的关联，显著抑制了不相关的信息。然后，考虑到数据集中船舶目标分布不均匀并且尺度变化较小的特点，保留两个检测层，减少了模型的参数并且进一步提升了模型的性能。最后，使用SIoU损失函数（SCYLLA-IoU）来约束检测头，降低损失函数的回归自由度，提高检测的精度和抗扰能力。【结果】为验证所提出的方法，建立了多达9000张样本的2023ships数据集，涵盖了内河、沿海、白天、黑夜、雾天等多种场景与典型背景扰动。在该数据集上，提出的方法在船舶目标检测任务上表现较好，m AP达到了92.9%，平均精度为92.1%，消耗参数量仅为35.4M，整体检测性能优于其它对比算法。【结论】将对海事监控、智能航行提供高效的支撑。

• 单位
  武汉工程大学; 武汉理工大学