典型文献
MPANet-YOLOv5:多路径聚合网络复杂海域目标检测
文献摘要：
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,YO-LOv5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％,AP0.5:0.95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.
文献关键词：
目标检测;注意力机制;Transformer;船舶检测;多路径聚合网络
中图分类号：
作者姓名：
王文亮;李延祥;张一帆;韩鹏;刘识灏
作者机构：
中船(浙江)海洋科技有限公司,浙江舟山316000
文献出处：
引用格式：
[1]王文亮;李延祥;张一帆;韩鹏;刘识灏-.MPANet-YOLOv5:多路径聚合网络复杂海域目标检测)[J].湖南大学学报（自然科学版）,2022(10):69-76
A类：
MPANet,多路径聚合网络
B类：
YOLOv5,复杂海域,船舶智能化,视觉感知,感知系统,实时目标检测,检测能力,You,Only,Look,Once,最新成果,海上目标,海上航行,自然条件,目标分类,分类效果,底向上,传递过程,多层次特征,特征信息,定位能力,SimAM,注意力模块,Transformer,结构增强,语义信息,自定义,定义数据,召回率,AP0,不同海域,海面小目标检测,注意力机制,船舶检测
AB值：
0.311305
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
