MPANet-YOLOv5:多路径聚合网络复杂海域目标检测

作     者：王文亮 李延祥 张一帆 韩鹏 刘识灏 WANG Wenliang;LI Yanxiang;ZHANG Yifan;HAN Peng;LIU Shihao

作者机构：中船(浙江)海洋科技有限公司浙江舟山316000 

出 版 物：《湖南大学学报（自然科学版）》 (Journal of Hunan University:Natural Sciences)

年 卷 期：2022年第49卷第10期

页      面：69-76页

核心收录：

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：智慧海洋舟山大数据应用服务平台建设项目(ZCHYGC201901)。 

主　　题：目标检测 注意力机制 Transformer 船舶检测 多路径聚合网络 

摘      要：船舶智能化的发展对船舶视觉感知系统实时目标检测能力提出了更高要求,YOLOv5作为YOLO(You Only Look Once)系列算法的最新成果,以良好的速度和精度被广泛应用于海上目标检测.但在实际海上航行中往往伴随着多变的自然条件和复杂的活动场景,这使其在复杂海域中小目标检测能力和多目标分类效果并不理想.因此,为提升YOLOv5在复杂海域中目标检测能力,本文提出多路径聚合网络结构(MPANet).在自底向上特征传递过程中融合多层次特征信息以增强多尺度定位能力,同时结合SimAM注意力模块和Transformer结构增强高阶特征语义信息.在自定义数据集中实验结果表明:MPANet-YOLOv5相较于YOLOv5模型AP提升了5.4%,召回率提升了3.3%,AP0.5提升了3.3%,AP_(0.5:0.95)提升了2.2%,不同海域测试结果显示MPANet-YOLOv5海面小目标检测能力明显优于YOLOv5.