典型文献
基于改进YOLOv5的复杂场景下SAR图像船舶检测方法
文献摘要：
针对复杂场景下合成孔径雷达图像船舶检测中易产生漏检的问题,本文提出了一种基于改进YOLOv5的复杂场景下SAR图像船舶检测算法.该算法首先将由通道注意力和空间注意力共同组成的自适应注意力模块引人YOLOv5的特征提取网络中,通过将特征向量筛选加权后,使重要的目标特征占有更大的网络处理比重,以此增强网络对目标区域的特征学习能力.然后根据SAR图像特性优化了检测模型的损失函数,提升了预测框的置信度,最终降低了复杂场景区域的目标漏检率.实验表明,相比传统YOLOv5算法,本文算法显著提升了召回率.对于复杂场景下的SAR图像船舶目标检测,平均准确率达到了 79.8％,相比于传统YOLOv5算法和Faster R-CNN算法分别提高了 26.1％和17.3％.
文献关键词：
合成孔径雷达;船舶检测;通道注意力;空间注意力;损失函数
中图分类号：
作者姓名：
李男;叶晓东;王昊;黄鑫宇;陶诗飞
作者机构：
南京理工大学电子工程与光电技术学院,江苏南京210094
文献出处：
引用格式：
[1]李男;叶晓东;王昊;黄鑫宇;陶诗飞-.基于改进YOLOv5的复杂场景下SAR图像船舶检测方法)[J].信号处理,2022(05):1009-1018
A类：
B类：
YOLOv5,复杂场景,SAR,船舶检测,合成孔径雷达图像,中易,检测算法,通道注意力,空间注意力,注意力模块,特征提取网络,特征向量,目标特征,目标区域,特征学习能力,检测模型,损失函数,置信度,漏检率,法显,召回率,船舶目标检测,平均准确率,Faster
AB值：
0.291049
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。
