Real-time detection of inshore ships plays an essential role in the efficient monitoring and management of maritime traffic and transportation for port management. Current ship detection methods which are mainly based on remote sensing images or radar images hardly meet real-time requirement due to the timeliness of image acquisition. In this paper, we propose to use visual images captured by an on-land surveillance camera network to achieve real-time detection. However, due to the complex background of visual images and the diversity of ship categories, the existing convolution neural network (CNN) based methods are either inaccurate or slow. To achieve high detection accuracy and real-time performance simultaneously, we propose a saliency-aware CNN framework for ship detection, comprising comprehensive ship discriminative features, such as deep feature, saliency map, and coastline prior. This model uses CNN to predict the category and the position of ships and uses the global contrast based salient region detection to correct the location. We also extract coastline information and respectively incorporate it into CNN and saliency detection to obtain more accurate ship locations. We implement our model on Darknet under CUDA 8.0 and CUDNN V5 and use a real-world visual image dataset for training and evaluation. The experimental results show that our model outperforms representative counterparts (Faster R-CNN, SSD, and YOLOv2) in terms of accuracy and speed.

中文翻译：

---

用于监视视频中船舶检测的显着性卷积神经网络

近岸船舶的实时检测对于港口管理的海上交通运输的高效监控和管理起着至关重要的作用。由于图像采集的及时性，当前以遥感图像或雷达图像为主的船舶检测方法难以满足实时性要求。在本文中，我们建议使用陆上监控摄像头网络捕获的视觉图像来实现实时检测。然而，由于视觉图像的复杂背景和船舶类别的多样性，现有的基于卷积神经网络（CNN）的方法要么不准确，要么速度慢。为了同时实现高检测精度和实时性能，我们提出了一种用于船舶检测的显着性 CNN 框架，包括全面的船舶判别特征，例如深度特征、显着图和海岸线先验。该模型使用 CNN 来预测船舶的类别和位置，并使用基于全局对比度的显着区域检测来校正位置。我们还提取海岸线信息并将其分别合并到 CNN 和显着性检测中，以获得更准确的船舶位置。我们在 CUDA 8.0 和 CUDNN V5 下的 Darknet 上实现我们的模型，并使用真实世界的视觉图像数据集进行训练和评估。实验结果表明，我们的模型在准确性和速度方面优于具有代表性的模型（Faster R-CNN、SSD 和 YOLOv2）。我们还提取海岸线信息并将其分别合并到 CNN 和显着性检测中，以获得更准确的船舶位置。我们在 CUDA 8.0 和 CUDNN V5 下的 Darknet 上实现我们的模型，并使用真实世界的视觉图像数据集进行训练和评估。实验结果表明，我们的模型在准确性和速度方面优于具有代表性的模型（Faster R-CNN、SSD 和 YOLOv2）。我们还提取海岸线信息并将其分别合并到 CNN 和显着性检测中，以获得更准确的船舶位置。我们在 CUDA 8.0 和 CUDNN V5 下的 Darknet 上实现我们的模型，并使用真实世界的视觉图像数据集进行训练和评估。实验结果表明，我们的模型在准确性和速度方面优于具有代表性的模型（Faster R-CNN、SSD 和 YOLOv2）。