结合单发多框检测器与迁移学习利用 Sentinel-1 SAR 图像进行舰船检测

合成孔径雷达（SAR）技术具备全天候持续作业及覆盖范围广的能力，广泛应用于海上交通安全和渔业执法。当前，得益于对判别性特征的自动学习，深度学习在目标检测领域取得了巨大成功。与其他检测模型相比，单发多框检测器（SSD）具有检测精度高且速度相对较快的优势，适用于大体量 SAR 图像的推理。本文重点研究利用 SSD 解决复杂背景下的舰船检测问题。针对数据集数量有限的问题，采用迁移学习来训练模型。本研究使用 10 景 Sentinel-1 SAR 图像对该方法进行了评估。实验结果表明：1）迁移学习提高了检测精度和整体性能，并降低了假阳性率；2）与 Faster RCNN 及其他 SSD 模型相比，结合迁移学习的 SSD-512 模型取得了最佳的综合性能，证明了该方法的有效性。