基于深度学习的超高分辨率船舶检测数据集VHRV构建与性能评估

为解决遥感影像中船舶检测受环境复杂性、目标尺度差异等挑战，研究人员构建了超高分辨率船舶数据集VHRV，涵盖多类型船舶及复杂场景，并评估了YOLOv9（mAP@0.50:0.95达0.823）等14种检测模型的性能，为海事监控与安全提供了标准化基准。

　　

在全球贸易高度依赖海运的背景下，船舶检测技术对海事安全、非法捕捞监控及海洋污染防治至关重要。然而，现有遥感数据集在船舶多样性、环境复杂性和分辨率上存在局限，导致深度学习模型泛化能力不足。为此，研究人员构建了首个超高分辨率船舶数据集VHRV，系统评估了主流检测算法的性能，成果发表于《Remote Sensing Applications: Society and Environment》。

研究团队采用多源遥感数据，覆盖近海至远海场景，整合11类船舶目标。关键技术包括：1）基于卷积神经网络（CNN）的单阶段（如YOLOv9/YOLOv12）与两阶段检测模型（如Cascade R-CNN）对比；2）本地（NVIDIA RTX 2080 Ti）与云端（Tesla A100）环境下的训练效率分析；3）以平均精度（mAP@0.50:0.95）为核心指标的性能评估。

研究结果

1. 模型性能对比：单阶段模型中YOLOv9以0.823 mAP领先，两阶段模型Cascade R-CNN（ResNet-50）为0.668。
2. 硬件影响：云端环境显著提升YOLOv5/v7/v10的精度，表明计算资源对特定架构有优化作用。
3. 数据集优势：VHRV的多样性使模型在复杂场景（如雾天、小目标）中表现稳健。

结论与意义
该研究确立了VHRV作为船舶检测领域的新基准，揭示了模型架构与数据质量的协同重要性。YOLOv9的优异性能为实时海事监控提供了高效方案，而云端训练的优化策略对资源密集型任务具有普适指导价值。成果为国防、环保等应用提供了可靠的技术支撑，推动遥感智能分析迈向更高精度。