基于改进VGG网络的单阶段船舶检测算法

单阶段多框架目标检测算法在目标检测领域取得了成功的应用,但其针对公共数据集中船舶检测的平均精度明显低于其它刚体类目标类别,同时现有公开数据集中的船舶数量较少且类别单一。为提高检测精度,提出一种基于改进VGG网络的单阶段船舶检测算法,在原有VGG底层网络的基础上加入异步卷积和最大池化的交替连接结构,保证实时处理的同时提高船舶检测的平均精度。为增加训练所需的船舶数量和类别,广泛收集互联网中包含船舶的图片,建立了包含22 507个船舶目标的数据集,其中6 902个目标标签细分为七类船舶。实验将公开数据集VOC2007和VOC2012中的图片缩小至300×300训练后,SSSD在VOC2007test中的平均检测精度均值可达79.3%,平均检测速度超过40 fps。通过迁移参数的方法,在自建数据集中训练后,对大类船舶检测的平均精度超过84%,对七类船舶检测的平均精度均值超过89%,领先现有同类船舶检测算法。