基于改进YYOOLLOOvv 5的轻量级船舶目标检测算法

作     者：李佳东 张丹普 范亚琼 杨剑锋 LI Jiadong;ZHANG Danpu;FAN Yaqiong;YANG Jianfeng

作者机构：中国航天科工集团第二研究院北京100039 北京航天长峰股份有限公司北京航天长峰科技工业集团有限公司北京100039 

出 版 物：《计算机应用》 (journal of Computer Applications)

年 卷 期：2023年第43卷第3期

页      面：923-929页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家重点研发计划项目(2020YFC0833406) 

主　　题：船舶检测 YOLOv5 注意力机制 空洞卷积 混合深度卷积 

摘      要：针对海上船舶目标检测准确率不高的问题,提出一种基于改进YOLOv5的轻量级船舶目标检测算法YOLOShip。首先将空洞卷积与通道注意力(CA)引入空间金字塔快速池化(SPPF)模块,以融合不同尺度的空间特征细节信息,强化语义信息,提升区分前景与背景的能力;其次将协同注意力与轻量化的混合深度卷积引入特征金字塔网络(FPN)和路径聚合网络(PAN)结构中,以强化网络中的重要特征,获取含有更多细节信息的特征,并提升模型检测能力及定位精度;然后考虑到数据集中目标分布不均匀及尺度变化相对较小的特点,在修改锚框,减少检测头数量以精简模型的同时进一步提升模型性能;最后,引入更加灵活的多项式损失(PolyLoss)以优化二元交叉熵损失(BCE Loss),提升模型收敛速度及模型精度。在SeaShips数据集上的实验结果表明,相较于YOLOv5s,YOLOShip的精确率、召回率、mAP@0.5与mAP@0.5:0.95分别提升4.2、5.7、4.6和8.5个百分点,能在满足检测速度要求的同时得到更优的检测精度,有效地实现了高速、高精度的船舶检测。