随着智能技术的发展,船舶图像目标检测与识别技术逐渐成为研究的热点,而船舶图像存在着一些特殊之处。首先,船舶目标的工作环境比较复杂。如近岸背景下,船舶目标往往被混杂在各种干扰物体中。其次,海面环境较为开阔,船舶目标的尺寸变化幅度比较大。以上这些问题给目标检测与识别方法带来了严峻的挑战。本文通过对船舶目标检测与识别相关文献的查阅,总结当前的主要方法并分析其不足之处,提出一种基于混合注意力模型的船舶图像目标检测与识别方法。本文的主要工作如下:(1)基于深度学习的目标检测与识别的基本理论,包括各种网络层结构和梯度下降优化算法,为后续的章节的网络设计和优化算法提供理论基础;(2)提出基于训练优化YOLOV3的船舶目标检测与识别网络,包含三种训练优化方法。迁移学习与非迁移学习的混合训练方法进一步以较小的学习率训练了图像低级特征提取器,使其更适合提取船舶图像的低级特征。学习率衰减法在保证训练前期网络参数更新较快的同时,使网络在训练后期更容易收敛。Early Stopping法用于实时计算训练集和验证集的损失,避免出现过拟合问题。(3)分析船舶图像的样本不平衡问题,并针对像素样本不平衡问题提出基于像素注意力模型的船舶目标检测与识别网络。像素注意力模型是一个生成对抗网络结构,包含生成器和判别器两种结构。该模型对输入的船舶图像生成蒙版图,并衰减非目船舶标区域的像素值,加强网络对目标区域的敏感度。(4)全面考虑船舶图像的像素样本不平衡问题和特征样本不平衡问题,提出基于混合注意力模型的船舶目标检测与识别网络。混合注意力模型在像素注意力模型的基础上加入了特征注意力模型,通过计算广度和深度两个方向上的特征权值来衰减无用特征和无用卷积核的效果,增强网络的整体表现。(5)总结本文的主要工作,分析本文工作的应用前景和存在的问题。