在现代军事和民用领域，舰船目标检测技术具有重要的应用价值。随着深度学习技术的不断发展，基于深度卷积神经网络的目标检测算法在舰船检测领域表现出色。本文针对光学遥感图像中的舰船目标检测问题，提出了一种基于改进卷积神经网络的实时目标检测算法。
与合成孔径雷达（SAR）图像相比，光学遥感图像虽然受天气条件限制，但能够提供更加丰富的目标信息，这对于提高目标识别率具有显著意义。YOLO系列算法，特别是YOLOv3模型，是典型的one-stage目标检测算法，它通过一次性预测目标的类别和位置，实现了快速的目标检测。然而，YOLOv3的网络参数较多，这限制了其在需要实时处理的场景中的应用。
为了解决这一问题，本文提出了一种基于改进的YOLOv3网络架构。该网络通过采用ShuffleNet V2作为主干网络，有效地降低了计算复杂度，并保持了较高的检测精度。ShuffleNet V2是专为资源受限设备设计的轻量级卷积神经网络架构，它通过分组卷积和通道洗牌操作极大地减少了计算量和内存消耗。
此外，本研究还在网络中引入了注意力模块，这可以提高模型对图像中关键特征的捕获能力，进而提升检测性能。注意力机制使得模型能够聚焦于图像中最重要的区域，有助于提高对舰船目标的检测精度和速度。
文章中提到的改进还包括对多尺度检测的优化。在实际应用中，舰船目标的尺寸差异较大，多尺度检测策略使得网络可以更有效地识别不同尺寸的目标，从而解决了YOLOv3在小目标检测性能不足的问题。
为了验证所提算法的有效性，研究者使用HRSC2016舰船检测数据集和Google Earth的遥感舰船图片进行了网络的训练和测试。实验结果表明，在NVIDIA RTX2080ti显卡上，改进后的网络实现了约125 fps的检测速度，召回率达到90.8%，精度达到91.5%。这些指标证明了改进后的网络在实时性和检测精度上具有优异表现，尤其适用于复杂环境中的近岸船只检测。
这项研究为光学遥感图像的舰船目标检测提供了一种高效的解决方案。通过深度学习技术结合优化的神经网络架构，克服了传统算法在光学遥感图像上泛化性和实时性的问题。这不仅推动了舰船目标检测技术的发展，而且为实际应用，如海上搜救、交通监控等提供了强大的技术支持。
在未来的海洋监测和安全管理中，本研究提出的算法将有望成为关键技术之一，为实现自动化和智能化的海上监控提供新的思路和方法。随着深度学习技术的不断进步和相关硬件设备性能的提升，实时高效的舰船目标检测技术将得到更加广泛的应用，为海上安全提供更加强有力的保障。
