基于yolov3的舰船检测+pycharm+机器学习+图像检测

1、处理过的遥感图像海上船只检测数据集，一万多张使用lableimg标注软件，标注好的高质量处理过的遥感图片数据，图片格式为jpg，标签有两种，分别为VOC格式和yolo格式，分别保存在两个文件夹中，可以直接用于YOLO系列的海上船只目标检测检测；类别为boat； 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743

1、YOLO舰船检测数据集 2、类别名： boat 3、来源：从 VOCtrainva2012数据集 单类别提取得到 4、标签类别：txt和 xml两种 5、图片数量：549

该文详细介绍了恒虚警率CFAR方法在舰船检测上的使用

基于yolov5的舰船检测+pycharm+机器学习+图像检测

基于深度分离卷积神经网络的高速高精度SAR舰船检测.pdf

行业资料-交通装置-一种光学遥感图像中的海上舰船检测方法.zip

针对遥感图像中舰船形状狭长、分布杂乱等特性导致检测难度增大的问题,提出了一种基于快速区域卷积神经网络(Faster R-CNN)的舰船目标检测方法。采用双路网络提取舰船目标特征,为了使特征图充分融合底层细节信息和高层语义信息,用多尺度融合特征金字塔网络(MFPN)进行特征融合;在候选框生成阶段,提出了自适应旋转区域生成网络(AR-RPN),集中在目标中心位置生成旋转锚框,以高效获取优质的候选框。为了提升网络对舰船目标的检测率,结合改进的损失函数对网络进行优化。在HRSC2016和DOTA舰船数据集上的测试结果表明,本方法的平均精度分别为89.10%和88.64%,能很好地适应遥感图像中舰船的形状与分布特性。

针对合成孔径雷达(SAR)图像中舰船目标稀疏的特点,提出一种基于级联卷积神经网络(CNN)的SAR图像舰船目标检测方法.将候选区域提取方法BING与目标检测方法Fast R-CNN相结合,并采用级联CNN设计,可同时兼顾舰船检测的准确率和速度.首先,针对SAR图像中相干斑噪声影响梯度检测的问题,在原有梯度算子的基础上增加平滑算子,并对图像尺寸个数和候选框个数进行适应性改进,使其提取到的候选窗口更快更准;然后,设计级联结构的Fast R-CNN检测框架,前端简单的CNN负责排除明显的非目标区域,后端复杂的CNN对高概率候选区域进行分类和位置回归,整个结构可以保证快速准确地对舰船这种稀疏目标进行检测;最后,设计一种联合优化方法对多任务的目标函数进行优化,使其更快更好地收敛.在SAR图像舰船检测数据集SSDD上的实验结果显示,所提出的方法相比于原始Fast R-CNN和Faster R-CNN检测方法,检测精度从65.2%和70.1%提高到73.5%,每张图像的处理时间从2235ms和198ms下降到113ms.

随着遥感成像技术的发展，遥感图像中大型移动目标的检测和识别成为可能，舰船目标检测和识别就是在这一背景下提出的。在参考大量文献的基础上，回顾了舰船检测的发展历程，分析了其研究现状，对舰船检测方法进行了综述并分类，在此基础上对各类算法进行对比，最后给出了该领域存在的问题和发展趋势。