针对红外船舶目标在海上复杂海天背景下检测困难,且数据集目标大小与锚框不符造成的算法边界回归效果差、检测不准确等问题,提出了一种基于改进YOLOv5的红外船舶目标检测算法。首先针对锚框与数据集目标形状不匹配问题,通过改变K-means+...针对红外船舶目标在海上复杂海天背景下检测困难,且数据集目标大小与锚框不符造成的算法边界回归效果差、检测不准确等问题,提出了一种基于改进YOLOv5的红外船舶目标检测算法。首先针对锚框与数据集目标形状不匹配问题,通过改变K-means++聚类算法选取簇中心的评价标准,使用中位数代替平均数来决定簇中心,改进了锚框算法,使得锚框与船舶目标更加匹配,提高了算法的平均检测精度。改进后的聚类算法得到的锚框更加符合目标的分布特点。其次针对CIoU(Complete intersection over union)存在梯度爆炸、误检和漏检问题,通过改进边框回归损失函数中关于长宽比的惩罚项提出了MIoU(Multivariate intersection over union)回归损失函数,优化了算法的回归过程,提高了算法的收敛速度和检测精度,避免了相似目标的误检和漏检。改进后的回归损失函数使边框损失降低了1.5%。在红外船舶数据集上进行了消融实验和对比实验,消融实验结果表明文中改进算法的平均检测精度值相较于标准YOLOv5算法提高了1.1%,对比实验结果表明文中改进算法相较于其他改进YOLOv5算法具有更高的平均检测精度,验证了文中改进算法的优越性,提升了红外船舶目标的检测效果。展开更多
针对海上的船只目标,采用深度学习目标分类算法中的R-CNN(region with CNN)算法对其进行分类检测与识别。将实验中的船只数据分为货船、邮轮和游艇三类,通过调整优化神经网络中的迭代次数、批处理尺寸等参数,使神经网络识别准确率达到80...针对海上的船只目标,采用深度学习目标分类算法中的R-CNN(region with CNN)算法对其进行分类检测与识别。将实验中的船只数据分为货船、邮轮和游艇三类,通过调整优化神经网络中的迭代次数、批处理尺寸等参数,使神经网络识别准确率达到80.98%。同时将该神经网络用于图像特征提取,使R-CNN的mAP值达到48.88%。同时应用soft-NMS对R-CNN算法进行改进,改进后的R-CNN算法的m AP值达到51%,要好于之前的算法。相比于传统的机器学习目标检测识别算法,基于深度学习的目标检测识别算法拥有更高的检测准确度和执行效率。实验结果表明,该算法可以有效地实现海上船只的检测与识别。展开更多
文摘针对红外船舶目标在海上复杂海天背景下检测困难,且数据集目标大小与锚框不符造成的算法边界回归效果差、检测不准确等问题,提出了一种基于改进YOLOv5的红外船舶目标检测算法。首先针对锚框与数据集目标形状不匹配问题,通过改变K-means++聚类算法选取簇中心的评价标准,使用中位数代替平均数来决定簇中心,改进了锚框算法,使得锚框与船舶目标更加匹配,提高了算法的平均检测精度。改进后的聚类算法得到的锚框更加符合目标的分布特点。其次针对CIoU(Complete intersection over union)存在梯度爆炸、误检和漏检问题,通过改进边框回归损失函数中关于长宽比的惩罚项提出了MIoU(Multivariate intersection over union)回归损失函数,优化了算法的回归过程,提高了算法的收敛速度和检测精度,避免了相似目标的误检和漏检。改进后的回归损失函数使边框损失降低了1.5%。在红外船舶数据集上进行了消融实验和对比实验,消融实验结果表明文中改进算法的平均检测精度值相较于标准YOLOv5算法提高了1.1%,对比实验结果表明文中改进算法相较于其他改进YOLOv5算法具有更高的平均检测精度,验证了文中改进算法的优越性,提升了红外船舶目标的检测效果。
文摘针对海上的船只目标,采用深度学习目标分类算法中的R-CNN(region with CNN)算法对其进行分类检测与识别。将实验中的船只数据分为货船、邮轮和游艇三类,通过调整优化神经网络中的迭代次数、批处理尺寸等参数,使神经网络识别准确率达到80.98%。同时将该神经网络用于图像特征提取,使R-CNN的mAP值达到48.88%。同时应用soft-NMS对R-CNN算法进行改进,改进后的R-CNN算法的m AP值达到51%,要好于之前的算法。相比于传统的机器学习目标检测识别算法,基于深度学习的目标检测识别算法拥有更高的检测准确度和执行效率。实验结果表明,该算法可以有效地实现海上船只的检测与识别。
