CN111611835A - 一种船只检测方法及装置 - Google Patents

Abstract

本发明提供一种船只检测方法及装置，其中，方法包括：获取船只图像训练样本；根据船只图像训练样本对神经网络模型进行训练，获取神经网络模型的输出向量，神经网络模型包括RPN网络、Fast R‑CNN网络、共享卷积层；根据船只图像训练样本对应的实际结果及输出向量计算神经网络模型的损失；根据损失对图像级别以及感兴趣区域级别进行梯度反转，图像级别表示船只图像训练样本的清晰度级别，感兴趣区域级别表示船只图像训练样本的船只类型级别；根据梯度反转后的损失调整神经网络模型的权重参数，构建船只检测模型。实施本发明，提高了船只检测模型对不同的天气情况以及不同船只类型的适应性，从而提高检测效率。

Description

一种船只检测方法及装置

技术领域

本发明涉及计算机视觉领域，具体涉及一种船只检测方法及装置。

背景技术

随着水上交通、渔业管理的蓬勃发展，对船只的检测也日益收到重视。相关技术中，对船只的检测采用光流法、背景差法和基于机器学习的方法，但这种方法检测速度慢。另外采用深度学习的神经网络检测方法对不同的天气情况适应性低，且无法对不同船只类型进行特征学习，导致检测效率低。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中的船只检测价格高昂以及检测范围小的缺陷，从而提供一种船只检测模型训练方法及基于视频的船只检测方法。

根据第一方面，本发明实施例提供一种船只检测模型训练方法，包括：获取船只图像训练样本；根据所述船只图像训练样本对神经网络模型进行训练，获取所述神经网络模型的输出向量，所述神经网络模型包括RPN网络、Fast R-CNN网络、共享卷积层；根据所述船只图像训练样本对应的实际结果及所述输出向量计算所述神经网络模型的损失；根据所述损失对图像级别以及感兴趣区域级别进行梯度反转，所述图像级别表示所述船只图像训练样本的清晰度级别，所述感兴趣区域级别表示所述船只图像训练样本的船只类型级别；根据梯度反转后的损失调整所述神经网络模型的权重参数，构建船只检测模型。

结合第一方面，在第一方面第一实施方式中，船只检测模型训练方法还包括：获取船只图像测试样本，所述船只图像测试样本包括具有船只的正样本图像及不具有船只的负样本图像；根据所述船只图像测试样本及所述船只检测模型得到测试结果；根据所述测试结果判断所述船只检测模型的准确率是否高于预设阈值；当所述船只检测模型的准确率高于所述预设阈值，将所述船只检测模型确定为可用的船只检测模型。

根据第二方面，本发明实施例提供一种基于视频的船只检测方法，包括如下步骤：获取视频图像；将所述视频图像输入至预设的船只检测模型，得到船只检测结果；所述预设的船只检测模型是通过如第一方面或第一方面任一实施方式所述的船只检测模型训练方法训练生成的。

结合第二方面，在第二方面第一实施方式中，在所述获取视频图像之后、将所述视频图像输入至预设的船只检测模型之前，船只检测模型训练方法还包括：对所述视频图像进行图像增强及去噪处理。

根据第三方面，本发明实施例提供一种船只检测模型训练装置，包括：样本获取模块，用于获取船只图像训练样本；向量获取模块，用于根据所述船只图像训练样本对神经网络模型进行训练，获取所述神经网络模型的输出向量，所述神经网络模型包括RPN网络、Fast R-CNN网络、共享卷积层；损失计算模块，用于根据所述船只图像训练样本对应的实际结果及所述输出向量计算所述神经网络模型的损失；梯度反转模块，用于对所述损失对图像级别以及感兴趣区域级别进行梯度反转，所述图像级别表示所述船只图像训练样本的清晰度级别，所述感兴趣区域级别表示所述船只图像训练样本的船只类型级别；模型构建模块，用于根据梯度反转后的损失调整所述神经网络模型的权重参数，构建船只检测模型。

结合第三方面，在第三方面第一实施方式中，船只检测模型训练装置还包括：船只图像测试样本获取模块，用于获取船只图像测试样本，所述船只图像测试样本包括具有船只的正样本图像及不具有船只的负样本图像；测试结果获取模块，用于根据所述船只图像测试样本及所述船只检测模型得到测试结果；准确率判断模块，用于根据所述测试结果判断所述船只检测模型的准确率是否高于预设阈值；船只检测模型确定模块，用于当所述船只检测模型的准确率高于所述预设阈值，将所述船只检测模型确定为可用的船只检测模型。

根据第四方面，本发明实施例提供一种基于视频的船只检测装置，包括：视频图像获取模块，用于获取视频图像；检测结果获取模块，用于将所述视频图像输入至预设的船只检测模型，得到船只检测结果；所述预设的船只检测模型是通过如第一方面或第一方面任一实施方式所述的船只检测模型训练方法训练生成的。

结合第四方面，在第四方面第一实施方式中，基于视频的船只检测装置，还包括：图像处理模块，用于对所述视频图像进行图像增强及去噪处理。

根据第五方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面或第一方面任一实施方式所述的船只检测模型训练方法，或第二方面或第二方面任一实施方式所述的基于视频的船只检测方法的步骤。

根据第六方面，本发明实施例提供一种存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面或第一方面任一实施方式所述的船只检测模型训练方法，或第二方面或第二方面任一实施方式所述的基于视频的船只检测方法的步骤。

本发明技术方案，具有如下优点：

1.本发明提供的船只检测模型训练方法，将损失进行梯度反转形成对抗训练的效果，对图像级别和感兴趣区域级别进行梯度反转操作，使得训练的神经网络模型既可以学习到不同船只类型的特征数据，又可以学习到在不同图像清晰度条件下的特征数据，使得训练出的神经网络模型对外界因素的适应性更强。

2.本发明提供的测试集用于测试训练好的神经网络模型的准确性，选取满足准确率条件的神经网络模型，给予了神经网络模型选择的指标，有利于神经网络模型的验证与选择。

3.本发明提供的基于视频的船只检测方法，根据视频输入神经网络模型进行检测，检测速度快，准确率高。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中船只检测模型训练方法的一个具体示例的流程图；

图2为本发明实施例中基于视频的船只检测方法的一个具体示例的流程图；

图3为本发明实施例中船只检测模型训练装置的一个具体示例的原理框图；

图4为本发明实施例中基于视频的船只检测装置的一个具体示例的原理框图；

图5为本发明实施例中电子设备的一个具体示例的原理框图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

本实施例提供一种船只检测模型训练方法，如图1所示，包括如下步骤：

S110：获取船只图像训练样本。

示例性地，船只图像样本的获取方式可以是通过拍摄得到的大量船只遥感图像，也可以是从网络数据库中获取。船只图像训练样本可以是获取到的船只图像样本中随机划分出的一部分，比如，随机划分出70％的船只图像样本作为船只图像训练样本。获取的船只图像训练样本中需要保证数据的多样性，比如，船只图像训练样本中船只种类、外观具有多样性以及图像背景具有多样性。本实施例对船只图像训练样本获取方式不做限定，可以根据需要确定。

S120：根据船只图像训练样本对神经网络模型进行训练，获取神经网络模型的输出向量，神经网络模型包含RPN网络、Fast R-CNN网络、共享卷积层。

示例性地，RPN网络在原始RPN的卷积层后添加了一个自适应池化层，在RPN的最后一层卷积层Conv5输出后，采用随机修正性单元进行非线性激活；的Fast-RCNN网络利用RPN生成的目标推荐框，独立训练一个Fast-RCNN检测网络。本实施例对神经网络训练方法不做限定，可以根据需要确定。

可选地，在本发明的一些实施例中，获取神经网络模型的输出向量的方式具体可以是根据卷积层计算船只图像训练样本中的每一个像素的纹理，并将接近的像素结合，获得图像候选区域，将获得的候选区域图像信息输入神经网络的全连接层，得到神经网络模型的输出向量；也可以设置候选区域网络，将第一个卷积网络的输出特征图作为候选区域网络的输入，以一个3×3的卷积核在特征图上滑动，以使用卷积网络构建与类别无关的候选区域，将候选区域输入至独立的全连接层，得到神经网络模型的输出向量。输出向量表示预测边界框以及预测边界框内的检测结果，检测结果包含存在检测目标以及不存在检测目标。

S130：根据船只图像训练样本对应的实际结果及输出向量计算神经网络模型的损失。

示例性地，根据船只图像训练样本对应的实际结果及输出向量计算神经网络模型的损失的计算方式可以是：

其中，x表示输入船只图像训练样本对应的实际结果，f(x^(t))表示神经网络模型的输出向量，f表示训练出的神经网络模型，T表示训练样本数量。本实施例对损失的具体计算方式不做限定，可以根据需要确定。

S140：根据损失对图像级别以及感兴趣区域级别进行梯度反转，图像级别表示船只图像训练样本的清晰度级别，感兴趣区域级别表示船只图像训练样本的船只类型级别。

示例性地，上述Fast-RCNN网络中采用ReLU激活函数，激活函数输出接入多尺度感兴趣区域池化层；共享卷积层将RPN网络和Fast-RCNN检测网络关联起来，并保持网络结构不变，调整RPN网络和Fast-RCNN网络，利用训练好的Fast-RCNN检测网络来初始化RPN推荐网络，然后采用反向传播算法和随机梯度下降训练RPN，在网络中实现全部卷积层的共享。通过上述方式对图像级别和感兴趣级别进行训练，使得全部卷积层共享图像级别和感兴趣级别特征。

梯度反转的作用是将反向传播的损失取反，使得调用梯度反转函数前后的神经网络训练目标相反，实现对抗的效果。图像级别由船只图像训练样本的清晰度进行划分，可以划分为模糊、清晰、高清等；感兴趣区域级别由船只图像训练样本的船只类型进行划分，比如以大小作为划分标准进行划分：10米以下的船只划分为小型船只，10米到20米范围内的船只划分为中型船只，20米以上的船只划分为大型船只。对图像级别以及感兴趣区域级别分别进行梯度反转，生成对抗网络，利用对抗网络对神经网络进行训练。本实施例对图像级别以及感兴趣区域级别的划分方式不做限定，本领域技术人员可以根据需要确定。

S150：根据梯度反转后的损失调整神经网络模型的权重参数，构建船只检测模型。

示例性地，根据梯度反转后的损失调整神经网络模型的权重参数，构建船只检测模型的方式是梯度反转层在于正向传播的时候记录模型在各层的损失，反向传播的时候，经过该梯度反转层的损失乘上-λ，然后每层网络根据传回的损失进行梯度计算，进而更新本层网络的权重参数，构建船只检测模型。

本实施例提供的船只检测模型训练方法，将损失进行梯度反转形成对抗训练的效果，对图像级别和感兴趣区域级别进行梯度反转操作，使得训练的神经网络模型既可以学习到不同船只类型的特征数据，又可以学习到在不同图像清晰度条件下的特征数据，使得训练出的神经网络模型对外界因素的适应性更强。

为了检验训练出的神经网络模型的性能，作为本申请的一个可选实施方式，本发明实施例的船只检测模型训练方法还包括：

首先，获取船只图像测试样本。

示例性地，获取船只图像测试样本的方式可以是S110中获取到的船只图像样本中随机划分出的一部分，比如，选取不同于船只图像训练样本的剩余30％作为图像测试样本。本实施例对船只图像测试样本的获取方式不做限定，可以根据需要确定。

其次，根据船只图像测试样本及船只检测模型得到测试结果。

示例性地，根据船只图像测试样本及船只检测模型得到测试结果的方式可以是将所有船只图像测试样本输入至船只检测模型，根据船只检测模型输出的多个预测边界框以及预测边界框内的检测结果与标记进行交并比计算，将所有交并比的计算结果的平均值作为准确率，从而得到神经网络的输出结果的准确率；也可以是根据船只检测模型输出的多个预测边界框以及预测边界框内的检测结果与标记进行交并比计算，判断每一个交并比计算结果是否满足预定阈值，当满足预定阈值则表示此船只图像测试样本的检测结果准确，将检测结果准确的船只图像测试样本与所有船只图像测试样本的比值作为神经网络的输出结果的准确率。本实施例对具体采用何种方式获取测试结果不做限定，可以根据需要确定。

最后，根据测试结果判断船只检测模型的准确率是否高于预设阈值，当船只检测模型的准确率高于预设阈值，将船只检测模型确定为可用的船只检测模型。其中预设阈值可以是98％，本实施例对预设阈值大小不做限定，可以按照需要设置。

本实施例提供的测试集用于测试训练好的神经网络模型的准确性，选取满足准确率条件的神经网络模型，给予了神经网络模型选择的指标，有利于神经网络模型的验证与选择。

本实施例提供一种基于视频的船只检测方法，如图2所示，包括如下步骤：

S210,获取视频图像。

示例性地，视频的获取方式可以是利用无人机对船只进行拍摄并实时传回无人机的视频，也可以是获取一段已有的视频。视频进行检测之前需要将视频进行解帧处理，解帧处理的方式可以是将视频进行连续解帧，得到每一帧的图像；也可以是跳帧处理，将相隔一定帧数的图像作为获取的图像，比如，每隔3帧视频获取一个视频图像。本实施例对获取视频图像的方式不做限定，可以通过需求确定。

S220,将视频图像输入至预设的船只检测模型，得到船只检测结果；预设的船只检测模型是通过如上述实施例的船只检测模型训练方法训练生成的，船只检测结果表征船只在当前视频图像中检测出的位置坐标框，其余此处不再赘述。

本实施例提供的基于视频的船只检测方法，根据视频输入神经网络模型进行检测，检测速度快，且准确率高。

作为本申请的一个可选实施方式，在上述步骤S210之后，步骤S220之前，本发明实施例的基于视频的船只检测方法还包括：对视频图像进行图像增强及去噪处理。有利于进一步降低视频图像中的噪音或者天气情况对检测结果的影响。

本实施例提供一种船只检测模型训练装置，如图3所示，包括：

样本获取模块310，用于获取船只图像训练样本；具体实现方式见本实施例S110的相关描述，在此不再赘述。

向量获取模块320，用于根据船只图像训练样本对神经网络模型进行训练，获取神经网络模型的输出向量，神经网络模型包括RPN网络、Fast R-CNN网络、共享卷积层；具体实现方式见本实施例S120，在此不再赘述。

损失计算模块330，用于根据船只图像训练样本对应的实际结果及输出向量计算神经网络模型的损失；具体实现方式见本实施例S130，在此不再赘述。

梯度反转模块340，用于对损失对图像级别以及感兴趣区域级别进行梯度反转，图像级别表示船只图像训练样本的清晰度级别，感兴趣区域级别表示船只图像训练样本的船只类型级别；具体实现方式见本实施例S140，在此不再赘述。

模型构建模块350，用于根据梯度反转后的损失调整神经网络模型的权重参数，构建船只检测模型。具体实现方式见本实施例S150，在此不再赘述。

本实施例提供的船只检测模型训练装置，将损失进行梯度反转形成对抗训练的效果，对图像级别和感兴趣区域级别进行梯度反转操作，使得训练的神经网络模型既可以学习到不同船只类型的特征数据，又可以学习到在不同天气情况下，视频图像中的光线、亮度条件的特征数据，使得训练出的神经网络模型对外界因素的适应性更强。

作为本申请的一个可选实施方式，船只检测模型训练装置还包括：

船只图像测试样本获取模块，用于获取船只图像测试样本，船只图像测试样本包括具有船只的正样本图像及不具有船只的负样本图像。具体实现方式见本实施例方法对应部分，在此不再赘述。

测试结果获取模块，用于根据船只图像测试样本及船只检测模型得到测试结果；具体实现方式见本实施例方法对应部分，在此不再赘述。

准确率判断模块，用于根据测试结果判断船只检测模型的准确率是否高于预设阈值；具体实现方式见本实施例方法对应部分，在此不再赘述。

船只检测模型确定模块，用于如果船只检测模型的准确率高于预设阈值，将船只检测模型确定为可用的船只检测模型。具体实现方式见本实施例方法对应部分，在此不再赘述。

本实施例提供一种基于视频的船只检测装置，如图4所示，包括：

视频图像获取模块410，用于获取无人机采集的视频图像；具体实现方式见本实施例S210，在此不再赘述。

检测结果获取模块420，用于将视频图像输入至预设的船只检测模型，得到船只检测结果；预设的船只检测模型是通过如实施例中船只检测模型训练方法训练生成的；具体实现方式见本实施例S220，在此不再赘述。

本实施例提供的基于视频的船只检测装置，根据视频输入神经网络模型进行检测，检测速度快，且准确率高。

作为本申请的一个可选实施方式，基于视频的船只检测装置还包括：图像处理模块，用于对视频图像进行图像增强及去噪处理。具体实现方式见本实施例方法对应部分，在此不再赘述。

本申请实施例还提供一种电子设备，如图5所示，处理器510和存储器520，其中处理器510和存储器520可以通过总线或者其他方式连接。

处理器510可以为中央处理器(Central Processing Unit，CPU)。处理器510还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器520作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的船只检测模型训练方法或基于视频的船只检测方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理。

存储器520可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器520可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器520中，当被所述处理器510执行时，执行如图1或图2所示实施例中的船只检测模型训练方法或基于视频的船只检测方法。

上述电子设备的具体细节可以对应参阅图1或图2所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。

本实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中船只检测模型训练方法或基于视频的船只检测方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种船只检测模型训练方法，其特征在于，包括：

获取船只图像训练样本；

根据所述船只图像训练样本对神经网络模型进行训练，获取所述神经网络模型的输出向量，所述神经网络模型包括RPN网络、Fast R-CNN网络、共享卷积层；

根据所述船只图像训练样本对应的实际结果及所述输出向量计算所述神经网络模型的损失；

根据所述损失对图像级别以及感兴趣区域级别进行梯度反转，所述图像级别表示所述船只图像训练样本的清晰度级别，所述感兴趣区域级别表示所述船只图像训练样本的船只类型级别；

根据梯度反转后的损失调整所述神经网络模型的权重参数，构建船只检测模型。

2.根据权利要求1所述的船只检测模型训练方法，其特征在于，还包括：

获取船只图像测试样本；

根据所述船只图像测试样本及所述船只检测模型得到测试结果；

根据所述测试结果判断所述船只检测模型的准确率是否高于预设阈值；

当所述船只检测模型的准确率高于所述预设阈值，将所述船只检测模型确定为可用的船只检测模型。

3.一种基于视频的船只检测方法，其特征在于，包括如下步骤：

获取视频图像；

将所述视频图像输入至预设的船只检测模型，得到船只检测结果；所述预设的船只检测模型是通过如权利要求1或2所述的船只检测模型训练方法训练生成的。

4.根据权利要求3所述的基于视频的船只检测方法，其特征在于，在所述获取视频图像之后、将所述视频图像输入至预设的船只检测模型之前，还包括：

对所述视频图像进行图像增强及去噪处理。

5.一种船只检测模型训练装置，其特征在于，包括：

样本获取模块，用于获取船只图像训练样本；

向量获取模块，用于根据所述船只图像训练样本对神经网络模型进行训练，获取所述神经网络模型的输出向量，所述神经网络模型包括RPN网络、Fast R-CNN网络、共享卷积层；

损失计算模块，用于根据所述船只图像训练样本对应的实际结果及所述输出向量计算所述神经网络模型的损失；

梯度反转模块，用于对所述损失对图像级别以及感兴趣区域级别进行梯度反转，所述图像级别表示所述船只图像训练样本的清晰度级别，所述感兴趣区域级别表示所述船只图像训练样本的船只类型级别；

模型构建模块，用于根据梯度反转后的损失调整所述神经网络模型的权重参数，构建船只检测模型。

6.根据权利要求5所述的船只检测模型训练装置，其特征在于，还包括：

船只图像测试样本获取模块，用于获取船只图像测试样本，所述船只图像测试样本包括具有船只的正样本图像及不具有船只的负样本图像；

测试结果获取模块，用于根据所述船只图像测试样本及所述船只检测模型得到测试结果；

准确率判断模块，用于根据所述测试结果判断所述船只检测模型的准确率是否高于预设阈值；

船只检测模型确定模块，用于当所述船只检测模型的准确率高于所述预设阈值，将所述船只检测模型确定为可用的船只检测模型。

7.一种基于视频的船只检测装置，其特征在于，包括：

视频图像获取模块，用于获取视频图像；

检测结果获取模块，用于将所述视频图像输入至预设的船只检测模型，得到船只检测结果；所述预设的船只检测模型是通过如权利要求1或2所述的船只检测模型训练方法训练生成的。

8.根据权利要求7所述的基于视频的船只检测装置，其特征在于，还包括：

图像处理模块，用于对所述视频图像进行图像增强及去噪处理。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1或2所述的船只检测模型训练方法或权利要求3或4所述的基于视频的船只检测方法的步骤。

10.一种存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1或2所述的船只检测模型训练方法或权利要求3或4所述的基于视频的船只检测方法的步骤。

Images