В связи с быстро растущим движением судов все больше судов увеличивают вероятность нарушений в открытом море, таких как незаконное перемещение грузов, незаконный лов рыбы, незаконное вторжение, пиратство. Таким образом, цель этого тезиса состоит в том, чтобы создать модель, способную как можно быстрее обнаруживать все корабли на спутниковых изображениях для лучшей борьбы с этой незаконной деятельностью или оказания гуманитарной помощи в открытом море. Для страны обнаружение судов также связано с экономическим развитием страны и национальной безопасностью, и обнаружение судов может использоваться не только для спасательных работ терпящих бедствие судов, но также для борьбы с незаконными рыболовными судами, незаконным сбросом мусорных судов, борьбой с контрабандой корабли и борьба с пиратством. Этот тезис изучает новейшую сверточную нейронную сеть (Mask R-CNN и U-Net) и применяет ее для обнаружения и сегментации корабля по статическим спутниковым изображениям, в основном для выполнения следующих работ: 1) Мы изучили структуру и принцип работы сверточной нейронной сети при обнаружении объектов и нейронной сети, такой как R-CNN, SSPNet, Fast R-CNN, Faster R-CNN и Mask R-CNN, которые представляют текущий объект обнаружения поля, изучаются отдельно. Посредством исследования и сравнения каждой сетевой структуры мы можем интуитивно понять принцип построения каждой сети и, таким образом, более четко знаем преимущества сетевой структуры Mask R-CNN при обнаружении объектов. 2) Усовершенствована маска R-CNN. Основные улучшения включают в себя: улучшение структуры сети извлечения признаков, улучшение структуры классификатора окна предложений и улучшение алгоритма подавления не максимальных значений. 3) Мы анализируем экспериментальные результаты, экспериментальную среду и экспериментальные данные. Затем объясняется, как провести предварительную обработку экспериментальных данных. Наконец, экспериментальные результаты показывают, что улучшенный алгоритм Mask R-CNN является надежным для обнаружения корабля.

With fast growing of shipping traffic, more ships increase the chances of infractions at open seas like illegal cargo movement, illegal fishing, illegal invasion ,piracy. Thus, the purpose of this thesis is to build a model that can detects all ships in satellite images as quickly as possible, for better combating those illegal activities or carry out humanitarian assistance on the open seas. For a country ship detection also is related to the country's economic development and national security, and ship detection can be used not only for rescue work of ships in distress, but also for combating illegal fishing vessels, illegal dumping of garbage ships, combating smuggling of ships, and combating piracy. This thesis studies the latest convolutional neural network (Mask R-CNN and U-Net) and applies it to the detection and segmentation of ship in static satellite images, mainly to complete the following work: 1) We studied structure and working principle of convolutional neural network in object detection and the neural network like R-CNN, SSPNet, Fast R-CNN, Faster R-CNN, and Mask R-CNN, which are representative of the current object detection field, are studied separately. Through the research and comparison of each network structure, we can intuitively understand the construction principle of each network, and thus more clearly knows the advantages of Mask R-CNN network structure in object detection. 2) We improved Mask R-CNN. The main improvements include: feature extraction network structure improvement, proposal window classifier structure improvement, and non-maximum value suppression algorithm improvement. 3) We analysis experimental results, experimental environment, and experimental data. Then explains how to preprocess the experimental data. Finally, the experimental results shows that the improved Mask R-CNN algorithm is robust to ship detection.