典型文献
基于改进YOLOv5深度学习的海上船舶识别算法
文献摘要：
为提高多目标和雾天环境下的海上船舶识别准确率,提出一种基于改进YOLOv5深度学习的海上船舶识别模型(SE-NMS-YOLOv5),该模型结合暗通道去雾算法(Dark channel),并融合了SE(squeeze-and-excitation)注意力机制模块和改进非极大值抑制模型,对船舶数据集进行训练和测试.结果表明:在船舶识别任务上,SE-NMS-YOLOv5模型的准确率、召回率和F1值分别为90.6％、89.9％、90.5％,检测效果比YOLOv5模型分别提升了6.3％、4.8％、5.8％,比YOLOv4模型分别提升了19.1％、19.0％、19.3％;在雾天船舶识别任务上,SE-NMS-YOLOv5-Dark channel模型的准确率、召回率和F1值分别为88.1％、87.2％、87.6％,比SE-NMS-YOLOv5模型的检测结果分别提升了13.8％、13.3％、13.5％.研究表明,SE-NMS-YOLOv5海上船舶识别模型有效地解决了多目标和雾天条件下,海上船舶检测准确率低的问题,提升了船舶检测和识别的整体效果.
文献关键词：
船舶识别;YOLOv5;特征提取;深度学习
中图分类号：
作者姓名：
张晓鹏;许志远;曲胜;邱文轩;翟泽宇
作者机构：
大连海洋大学 航海与船舶工程学院, 辽宁 大连116023
文献出处：
引用格式：
[1]张晓鹏;许志远;曲胜;邱文轩;翟泽宇-.基于改进YOLOv5深度学习的海上船舶识别算法)[J].大连海洋大学学报,2022(05):866-872
A类：
B类：
YOLOv5,海上船舶,船舶识别,识别算法,雾天,识别准确率,识别模型,SE,NMS,暗通道去雾算法,Dark,channel,squeeze,excitation,注意力机制模块,非极大值抑制,召回率,检测效果,YOLOv4,天条,船舶检测,检测准确率,检测和识别,整体效果
AB值：
0.255715
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。
