文章标题：基于改进Cascade R-CNN算法的船舶目标检测方法

文章作者：杨镇宇, 石刘
关 键 字：船舶|目标检测|深度学习|Cascade R-CNN|Swin Transformer
文章摘要：为了解决实际场景下船舶目标检测精度低的问题，本文在Cascade R-CNN算法的基础上，提出一种船舶目标检测方法Boat R-CNN。Boat R-CNN使用带自注意力机制的Swin-Transformer Tiny网络提取图像特征，使用Soft-NMS非极大值抑制方法提升候选框过滤精度，使用Smooth_L₁损失函数加速模型收敛并减少梯度爆炸情况，使用CIOU边界框回归损失提高候选框回归质量，并针对船舶目标的形状特征优化锚框的长宽比，提高锚框的生成质量。实验结果表明，Boat R-CNN算法的精度相比原版Cascade R-CNN算法提高了21.8%，相比主流Faster R-CNN算法提高了30.3%，有效提升了实际场景下的船舶目标检测精度。