本文研究的面向多视图船舶目标检测优化技术主要涉及到水面舰船目标的定位识别、迁移学习和半监督学习等技术,本文的目的是通过实际场景的特点解决不同场景下船舶检测任务的难点,其中包含航拍俯视图场景与光学摄像头前视图场景。本文研究内容如下:1)针对基于无人机成像的俯视图场景数据中存在的复杂背景以及船舶目标特征过拟合问题,本文提出了特征图增强网络。以常规目标检测网络结构为基础,特征图增强网络通过自适应特征图掩码模块生成特征图掩码进行对抗式模型训练。此外,特征图增强网络的特征图海陆分割掩码模块预测水陆区域分布,对模型训练以及预测过程中生成的特征图进行增强。由于充分利用特征图的语义信息和空间信息,特征图增强网络是一种有效减少虚警和漏检的方法。2)针对前视图场景下船舶检测任务,本文着重研究遮挡与小目标情况下船舶检测。为了应对遮挡难题,本文提出遮挡信息提取网络,该网络可以学习遮挡区域的特征。在模型前向推理的过程中,遮挡信息提取网络负责进行遮挡区域的预测。最后在模型后处理的过程中,该网络利用这些预测结果对模型常规输出进行修正。为了提高模型对小目标的准确率,本文提出了自适应区域放大网络。该网络通过提取样本特征,学习其中小目标的分布情况,筛选出原样本中可能出现小目标的区域。通过对这些区域进行上采用,目标检测网络能获得更准确的小目标检测结果。此外,本文分析了前视图场景下数据增强策略存在不合理,以此为依据本文提出了水面马赛克数据增强能够更好的适应前视图场景。3)针对现实场景中标注数据稀缺这一缺陷,本章节利用迁移学习与半监督学习在样本受限的条件下训练网络模型。本文利用船舶俯视图与前视图中视角变化之后仍存在大量相似特征的特点对模型进行两视图之间迁移学习,其中使用冻结网络层与知识蒸馏的手段提升模型的训练效果。为了利用大量未标注数据,本文使用了基于半监督学习的伪标签方法以增强模型训练:首先以Mobilenetv3为特征提取部分,训练一个常规目标检测网络。令其对未标注数据预测生成伪标签,之后根据样本分布选择标签加入训练集对模型进行二阶段微调训练。这两种办法使模型学习到更多样的特征,能有效提升模型的检测性能。