检索结果-南通市图书馆

A-FPN算法及其在遥感图像船舶检测中的应用

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

遥感学报 2020年第2期24卷 107-115页

作者：于野艾华贺小军于树海钟兴朱瑞飞中国科学院长春光学精密机械与物理研究所长春130033 中国科学院大学北京100049 长光卫星技术有限公司长春130102 长光卫星技术有限公司吉林省卫星遥感应用技术重点实验室长春130039

光学遥感图像船舶检测主要面临两个挑战:光学遥感图像背景复杂,船舶检测易受海浪、云雾及陆地建筑等多方面干扰;遥感图像分辨率低,船舶目标小,对于其分类与定位带来很大困难;针对上述问题,在FPN的基础上,提出一种融入显著性特征的卷积... 详细信息

光学遥感图像船舶检测主要面临两个挑战:光学遥感图像背景复杂,船舶检测易受海浪、云雾及陆地建筑等多方面干扰;遥感图像分辨率低,船舶目标小,对于其分类与定位带来很大困难;针对上述问题,在FPN的基础上,提出一种融入显著性特征的卷积神经网络模型A-FPN (Attention-Based Feature Pyramid Networks)。首先,利用卷积提取图像特征金字塔;然后,利用顶层金字塔逐级构建显著特征层,抑制背景信息,通过金字塔顶层的细粒度特征提高浅层特征的表达能力,构建自上而下的多级显著特征映射结构;最后利用Softmax分类器进行多层级船舶检测。A-FPN模型利用显著性机制引导不同感受下的特征进行融合,提高了模型的分辨能力,对遥感图像处理领域具有重要应用价值。实验阶段,利用公开的遥感目标检测数据集NWPU VHR-10中的船舶样本进行测试,准确率为92.8%,表明A-FPN模型适用于遥感图像船舶检测。

关键词：光学遥感船舶检测吉林一号卫星神经网络显著性特征

在线全文

学校读者我要写书评

暂无评论

遥感影像船舶检测的特征金字塔网络建模方法

测绘学报 2020年第6期49卷 787-797页

作者：邓睿哲陈启浩陈奇刘修国中国地质大学(武汉)地理与信息工程学院湖北武汉430074

船舶作为海上运输载体,其准确检测在海洋环境保护、海上渔业生产管理、海上交通与应急处置及国防安全应用中都具有重要意义和价值。目前基于目标检测网络的遥感船舶检测方法因末层特征分辨率不足和卷积固定的几何结构,导致网络难以适应... 详细信息

船舶作为海上运输载体,其准确检测在海洋环境保护、海上渔业生产管理、海上交通与应急处置及国防安全应用中都具有重要意义和价值。目前基于目标检测网络的遥感船舶检测方法因末层特征分辨率不足和卷积固定的几何结构,导致网络难以适应小尺度且具有随机朝向、形态多变特征的船舶目标,进而限制船舶检测精度。针对该问题,本文提出一种用于遥感影像船舶检测的特征金字塔网络建模方法。首先引入形变卷积/RoI池化模块,以适应朝向和形态多变的船舶目标;其次借鉴在小目标检测中性能出色的特征金字塔网络的建模思想,采用对称式网络和多尺度特征融合的方式进一步融合高级语义和低级空间信息,提升小尺度目标特征分辨率。在40000幅、船舶目标67280余个的遥感影像数据集上的试验结果表明,本文方法能够有效集成形变卷积/RoI池化和多尺度特征融合方法,相较传统CNN船舶检测方法取得明显提升,在准确率、召回率及F1指标上分别达到85.8%、97.9%和91.5%。

关键词：船舶检测特征金字塔网络形变卷积模块形变RoI池化模块

增强感受野的轻量化合成孔径雷达船舶检测算法

在线全文

学校读者我要写书评

暂无评论

光子学报 2022年第2期51卷 264-276页

作者：王燕妮孙雪松余丽仙西安建筑科技大学信息与控制工程学院西安710055

基于深度学习的合成孔径雷达船舶检测方法大多依赖于强大的图形处理器来实现良好的检测精度,却忽略了检测速度和算法的部署应用。针对上述问题,本文提出一种有效增强感受野的轻量化合成孔径雷达船舶检测算法。首先,使用ShuffleNetV2作... 详细信息

基于深度学习的合成孔径雷达船舶检测方法大多依赖于强大的图形处理器来实现良好的检测精度,却忽略了检测速度和算法的部署应用。针对上述问题,本文提出一种有效增强感受野的轻量化合成孔径雷达船舶检测算法。首先,使用ShuffleNetV2作为主干特征提取网络,有利于减小计算参数量和模型大小;其次,引入改进型空间金字塔池化模块与空间注意力模块,有效扩大模型感受野,进一步挖掘船舶特征信息;然后,采用改进的路径聚合网络,自底向上传递更丰富的船舶定位特征,增加浅层位置信息和多尺度特征,进一步提高模型的特征提取能力。使用SAR船舶数据集对本文算法进行验证,实验结果表明,模型大小为5.3 MB,平均检测精度可达94.7%,检测速度为46 FPS,同时具有高精度、高实时性和易移植性等优点。

关键词：合成孔径雷达船舶检测遥感图像感受野特征融合轻量化网络

在线全文

学校读者我要写书评

暂无评论

特征增强全卷积网络下的船舶检测

计算机辅助设计与图形学学报 2022年第7期34卷 1028-1036页

作者：姚婷婷张波柳晓鸣大连海事大学信息科学技术学院大连116026

针对现有船舶检测算法受海面背景噪声和不同种类船舶尺度变化影响,存在较多误检和漏检现象的问题,提出一种特征增强全卷积网络下的船舶检测方法.首先引入多尺度特征增强机制,提高模型对船舶目标的特征描述力.在每个单尺度特征提取阶段,... 详细信息

针对现有船舶检测算法受海面背景噪声和不同种类船舶尺度变化影响,存在较多误检和漏检现象的问题,提出一种特征增强全卷积网络下的船舶检测方法.首先引入多尺度特征增强机制,提高模型对船舶目标的特征描述力.在每个单尺度特征提取阶段,利用计算获得的统计信息抑制海浪、杂波等背景噪声对船舶特征描述的干扰.同时,在多尺度特征融合阶段,利用双阶段特征自适应融合策略提高网络对不同尺度大小船舶的感知力.进一步,在回归分析求解框架下,改进目标检测头部网络,在回归分支中通过注意力增强机制优化中心度计算,更好地抑制低质量目标检测框,在保证检测效率的同时提高检测性能.所提方法在大型海事监控数据集SeaShips上的均值平均精度达到91.6%,检测速度为9帧/s,实验结果表明所提方法具有良好的准确性和鲁棒性.

关键词：图像处理船舶检测全卷积网络特征增强深度学习

同方期刊数据库

基于SimAM注意力机制的近岸船舶检测方法

在线全文

学校读者我要写书评

暂无评论

哈尔滨工业大学学报 2023年第5期55卷 14-21页

作者：郭玲于海雁周志权哈尔滨工业大学(威海)信息科学与工程学院山东威海264209

基于视觉图像的船舶目标检测中由于图像背景复杂,无关干扰较多,导致船舶目标检测的难度增大。并且多类别船舶检测数据集现有数量较少且存在样本不均衡的问题使得船舶目标检测性能较低。针对复杂背景干扰检测,本文通过引入SimAM注意力机... 详细信息

基于视觉图像的船舶目标检测中由于图像背景复杂,无关干扰较多,导致船舶目标检测的难度增大。并且多类别船舶检测数据集现有数量较少且存在样本不均衡的问题使得船舶目标检测性能较低。针对复杂背景干扰检测,本文通过引入SimAM注意力机制对YOLOv3模型进行改进,利用该机制加强船舶目标在提取特征中的权重并抑制背景干扰权重,从而提升模型检测性能;同时,采用强实时数据增强以改善样本尺度分布不均衡的问题,结合迁移学习提升在样本数量受限情况下的船舶检测精度。提取特征的可视化结果显示改进模型对无关背景特征干扰进行了抑制,增强了模型对于船舶特征的提取能力。在SeaShips数据集上,提出的改进模型在不引入额外可学习参数的情况下mAP.5、mAP.75分别达到了96.93%、71.49%,检测速度达到了66 frame/s,在检测精度与运行效率方面保持了均衡。与Saliency-aware CNN、eYOLOv3相比更有效地优化了目标特征,使得mAP.5分别提高了9.53%、9.19%。改进模型在新加坡海事数据集上在船舶类型目标检测的mAP.5达到了81.81%,验证了模型具有较好的泛化能力。

关键词：船舶检测注意力机制数据增强改进YOLOv3 迁移学习

基于多尺度双邻域显著性的高分四号遥感图像运动船舶检测方法

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

电子与信息学报 2023年第1期45卷 282-290页

作者：余伟尤红建胡玉新刘瑞中国科学院空天信息创新研究院北京100094 中国科学院大学电子电气与通信工程学院北京100049 中国科学院空间信息处理与应用系统技术重点实验室北京100190

静止轨道(GEO)的高分四号(GF-4)卫星具备对海上运动船舶进行连续观测的能力,由于轨道高,海面船舶在GF-4卫星遥感图像中比较弱小不易检测。该文分析海面运动船舶的尾迹特征,提出一种基于多尺度双邻域显著性(MDSM)的GF-4卫星遥感图像运动... 详细信息

静止轨道(GEO)的高分四号(GF-4)卫星具备对海上运动船舶进行连续观测的能力,由于轨道高,海面船舶在GF-4卫星遥感图像中比较弱小不易检测。该文分析海面运动船舶的尾迹特征,提出一种基于多尺度双邻域显著性(MDSM)的GF-4卫星遥感图像运动船舶检测方法。首先依据多尺度双邻域显著性模型计算显著度,生成显著图;然后使用自适应阈值分割提取运动船舶的位置;最后利用尾迹几何特征对候选目标的形状进行校验,进一步去除虚假目标。实验结果和分析表明,所提方法可以有效地检测GF-4卫星遥感图像中的多个运动船舶目标,相比目前主流的视觉显著性检测算法,该文所提算法具有更好的检测性能。

关键词： GF-4卫星遥感图像船舶检测多尺度双邻域显著性

多尺度特征融合与特征通道关系校准的SAR图像船舶检测

在线全文

学校读者我要写书评

暂无评论

雷达学报（中英文） 2021年第4期10卷 531-543页

作者：周雪珂刘畅周滨中国科学院大学北京100049 中国科学院空天信息创新研究院北京100190

目前深度学习技术在SAR图像的船舶检测中已取得显著的成果,但针对SAR船舶图像中复杂多变的背景环境,如何准确高效地提取目标特征,提升检测精度与检测速度仍存在着巨大的挑战。针对上述问题,该文提出了一种多尺度特征融合与特征通道关系... 详细信息

目前深度学习技术在SAR图像的船舶检测中已取得显著的成果,但针对SAR船舶图像中复杂多变的背景环境,如何准确高效地提取目标特征,提升检测精度与检测速度仍存在着巨大的挑战。针对上述问题,该文提出了一种多尺度特征融合与特征通道关系校准的SAR图像船舶检测算法。在Faster R-CNN的基础上,首先通过引入通道注意力机制对特征提取网络进行特征间通道关系校准,提高网络对复杂场景下船舶目标特征提取的表达能力;其次,不同于原始的基于单一尺度特征生成候选区域的方法,该文基于神经架构搜索算法引入改进的特征金字塔结构,高效地将多尺度特征进行充分融合,改善了船舶目标中对小目标、近岸密集目标的漏检问题。最后,在SSDD数据集上进行对比验证。实验结果表明,相较原始的Faster R-CNN,检测精度从85.4%提高到89.4%,检测速率也从2.8 FPS提高到10.7 FPS。该方法能够有效实现高速与高精度的SAR图像船舶检测,具有一定的现实意义。

关键词：合成孔径雷达 Faster R-CNN 船舶检测特征融合通道注意力

基于EfficientDet的无预训练SAR图像船舶检测器

在线全文

学校读者我要写书评

暂无评论

北京航空航天大学学报 2021年第8期47卷 1664-1672页

作者：包壮壮赵学军空军工程大学基础部西安710051

针对多尺度、多场景的合成孔径雷达(SAR)图像船舶检测问题,提出了一种基于EfficientDet的无预训练目标检测器。现有的基于卷积神经网络的SAR图像船舶检测器并没有表现出其应有的出色性能。重要原因之一是依赖分类任务的预训练模型,没有... 详细信息

针对多尺度、多场景的合成孔径雷达(SAR)图像船舶检测问题,提出了一种基于EfficientDet的无预训练目标检测器。现有的基于卷积神经网络的SAR图像船舶检测器并没有表现出其应有的出色性能。重要原因之一是依赖分类任务的预训练模型,没有有效的方法来解决SAR图像与自然场景图像之间存在的差异性;另一个重要原因是没有充分利用卷积神经网络各层的信息,特征融合能力不够强,难以处理包括海上和近海在内的多场景船舶检测,尤其是无法排除近海复杂背景的干扰。SED就这2个方面改进方法,在公开SAR船舶检测数据集上进行实验,检测精度指标平均准确率(AP)达到94.2%,与经典的深度学习检测器对比,超过最优的RetineNet模型1.3%,在模型大小、算力消耗和检测速度之间达到平衡,验证了所提模型在多场景条件下多尺度SAR图像船舶检测具有优异的性能。

关键词：船舶检测合成孔径雷达(SAR) 深度学习卷积神经网络目标检测

在线全文

学校读者我要写书评

暂无评论

基于注意力机制及多尺度融合的红外船舶检测

激光与光电子学进展 2023年第22期60卷 248-254页

作者：张燊胡林孙祥娥刘美华长江大学电子信息学院湖北荆州434023 长江大学人工智能研究院湖北荆州434023

针对红外图像船舶目标检测方法的准确性和实时性还不能满足海防场景需求的问题,提出一种基于改进YOLOv7算法的轻量级船舶检测算法。该算法首先在Backbone网络中引入MobileNetv3主干网络,实现模型轻量化处理。然后在Neck网络引入注意力... 详细信息

针对红外图像船舶目标检测方法的准确性和实时性还不能满足海防场景需求的问题,提出一种基于改进YOLOv7算法的轻量级船舶检测算法。该算法首先在Backbone网络中引入MobileNetv3主干网络,实现模型轻量化处理。然后在Neck网络引入注意力机制抑制噪声与干扰,以提高网络的特征提取能力,并采用双向加权特征金字塔,以提升特征融合能力。最后引入Wise IoU优化损失函数,提高模型的收敛速度与精度。在艾睿数据集上的实验结果表明,相较于YOLOv7,所提改进算法的精确率、召回率、平均精度均值(mAP)@0.5与mAP@0.5∶0.95分别提升0.9个百分点、2.5个百分点、1.2个百分点和1.2个百分点,模型参数量降低了约38.4%,浮点运算数(FLOPs)降低了约65.5%。所提改进算法在满足检测速度要求的同时得到了更优的检测精度,有效地实现了高速、高精度的船舶检测。

关键词： YOLOv7 注意力机制多尺度融合船舶检测