典型文献
特征增强全卷积网络下的船舶检测
文献摘要：
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.
文献关键词：
图像处理;船舶检测;全卷积网络;特征增强;深度学习
中图分类号：
作者姓名：
姚婷婷;张波;柳晓鸣
作者机构：
大连海事大学信息科学技术学院 大连 116026
文献出处：
引用格式：
[1]姚婷婷;张波;柳晓鸣-.特征增强全卷积网络下的船舶检测)[J].计算机辅助设计与图形学学报,2022(07):1028-1036
A类：
海事监控数据集
B类：
全卷积网络,船舶检测,检测算法,海面,背景噪声,尺度变化,变化影响,漏检,多尺度特征增强,增强机制,船舶目标,特征描述,统计信息,海浪,杂波,多尺度特征融合,双阶段,阶段特征,特征自适应融合,融合策略,不同尺度,小船,感知力,改进目标,目标检测,检测头,注意力增强,机制优化,中心度,低质量,质量目标,检测效率,高检,检测性能,SeaShips,均值平均精度,检测速度
AB值：
0.383536
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。
