典型文献
一种基于改进YOLOv4的SAR舰船检测算法
文献摘要：
在大量数据支持的背景下,如何高效利用大量SAR图像,提升舰船目标的检测精度是当前舰船目标检测的难题.本文聚焦如何提升YOLOv4算法对SAR舰船目标的检测精度,提出了一种融合多尺度和注意力增强的YOLOv4增强算法.在原YOLOv4的PANet中加入注意力模块(CBAM),同时使用加强的K-means聚类算法对数据集中的舰船目标真实框进行聚类,并对锚框结果进行线性比例变换,让算法锚框更适合于训练集.实验证明本文提出的算法在SAR舰船检测中的平均准确率(mAP)达到了 94.05％,比原始YOLOv4精度提高了 0.7％.实验结果充分证明本文提出的算法能够提升SAR舰船图像检测精度,为海上活动判断精确化提供技术支持.
文献关键词：
SAR图像;舰船检测;深度学习;注意力机制;K-means
中图分类号：
作者姓名：
陈洋;张明;杨立东;喻大华;张宝华;李建军
作者机构：
内蒙古科技大学信息工程学院 包头014010;大连海事大学信息科学与技术学院 大连116026
文献出处：
引用格式：
[1]陈洋;张明;杨立东;喻大华;张宝华;李建军-.一种基于改进YOLOv4的SAR舰船检测算法)[J].电子测量技术,2022(11):120-125
A类：
B类：
YOLOv4,SAR,舰船检测,检测算法,检测精度,舰船目标检测,注意力增强,增强算法,PANet,注意力模块,CBAM,means,聚类算法,锚框,比例变换,训练集,平均准确率,mAP,充分证明,图像检测,精确化,注意力机制
AB值：
0.319026
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。
