红外海洋船只检测数据集是一项用于目标检测的重要资源，专门针对海洋环境中的船只识别问题。该数据集按照Pascal VOC格式和YOLO格式提供，共计包含8402张红外图像和相应的标注文件，其中包括用于机器学习和深度学习模型训练的xml标注文件和txt标注文件。数据集覆盖了七种不同的船只类别，分别是“bulk carrier”（散货船）、“canoe”（独木舟）、“container ship”（集装箱船）、“fishing boat”（渔船）、“liner”（班轮）、“sailboat”（帆船）和“warship”（战舰）。每张图片的标注中均明确指出船舶的类型及位置信息，通过边界框的方式标注出图像中船只的具体位置。 具体到每个类别的标注框数，数据集详细列出了每种类型船只的标注框数，例如散货船有1940个标注框，独木舟有4935个标注框等，这有助于研究者和开发者针对不同类别的检测精度进行优化。整个数据集的总标注框数达到26445，这为训练和测试目标检测模型提供了丰富的样本。 为了制作这些数据集，使用了标注工具labelImg进行图像的标注工作。labelImg是广泛应用于目标检测领域的标注工具，它能够帮助标注人员在图像中标出目标对象的位置，并生成对应的标注文件。这些标注文件是机器学习模型训练的重要依据，能够帮助模型学习到如何在现实世界中准确识别不同类型的船只。 使用该数据集，研究人员可以在深度学习框架中应用各种目标检测算法，如YOLO（You Only Look Once）、Faster R-CNN、SSD（Single Shot MultiBox Detector）等，来训练和评估模型在红外环境下检测和分类不同船只的能力。红外图像因其对环境光的特殊适应性，在全天候的海上监测任务中具有重要应用价值。 该数据集的发布对于推动自动化、智能化海上监控系统的发展具有重要作用。通过深度学习和目标检测技术的进步，未来可以实现更为精确的海上交通监控、港口管理、非法捕鱼监测和海上搜救等应用。此外，数据集也为学术界提供了一个新的研究平台，以测试和改进现有算法，并催生更多创新的算法和应用方案。 该数据集的发布，也体现了当前人工智能在特定行业应用中的不断深化。随着技术的发展和数据量的积累，机器学习模型的性能将不断提升，有望为海上安全和管理提供更加强大的技术支持。同时，随着相关技术的成熟和普及，我们可以预见在不久的将来，类似的应用会延伸到其他领域，如空中交通监管、野生动物保护等，从而为人类社会带来更多的便利和安全。

之前上传过一次，不小心删掉了，现在重新发送。基于matlab的cfar检测程序，识别sar图像中的船只，分为全局，局部和双参数检测。已经实验效果不错。

提出了一种视频与AIS信息融合的海上船只目标检测方法。首先结合AIS信息确定船只所在区域，提取小范围图像，然后对图像进行高频加强滤波处理，增强船只目标与海面背景的对比度，利用显著性区域检测方法生成显著性图像，随之采用双阈值分割提取高显著性目标，最后通过形态学处理判断船只目标。实验结果表明，该方法适应性强，能够准确快速地实现船只目标提取。

1、处理过的遥感图像海上船只检测数据集，一万多张使用lableimg标注软件，标注好的高质量处理过的遥感图片数据，图片格式为jpg，标签有两种，分别为VOC格式和yolo格式，分别保存在两个文件夹中，可以直接用于YOLO系列的海上船只目标检测检测；类别为boat； 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743

针对遥感影像中海上船只自动检测的问题,文中首先利用船只的纹理滤波将海上船只和类船只信息突出显示,在获得纹理滤波图像后,采用大津阈值将目标与背景分割开,经过分割处理,获得分割影像图,然后将分割图与原图叠加,从而在原图像上突出显示出来,通过实验证明,该方法简便可行,对海上船只的检测有着重要的意义。

船只检测数据集，收集包含5000+正面和侧面船只图片，可直接用于训练船只检测

具有概率正则行走的密集扩张网络，用于船只检测