典型文献
基于CBAM和BiFPN改进YoloV5的渔船目标检测
文献摘要：
在渔港高点监控渔船目标的场景下,对渔船检测经常丢失和检测错误等问题,提出了一种基于改进YoloV5的渔船目标检测模型.首先通过Kmeans++算法对锚框重新聚类,选择适合渔船数据集的锚框尺寸;然后在YoloV5的骨干网络中融入卷积注意力模块(CBAM)注意力机制获取更多细节特征;再采用加权双向特征金字塔网络(BiFPN)代替原先的特征金字塔网络(FPN)+像素聚合网络(PAN)结构,快速进行多尺度特征融合;最后在检测尺度上去掉大目标的检测尺度,增加更小目标的检测尺度,改用新的三个检测尺度,提高了模型对小目标渔船的检测精度.结果显示:对比原YoloV5算法,改进后的算法精确度、召回率和平均精度均值均有所提升,分别提升29.5％、0.5％和4.5％,每秒检测帧数达到90.6,对渔船目标检测效果有大幅度改善.研究表明,改进后的YoloV5算法满足休渔期管控期间对渔船目标检测的准确性和实时性要求.
文献关键词：
渔船检测;YoloV5算法;CBAM注意力机制;加权双向特征金字塔
中图分类号：
作者姓名：
张德春;李海涛;李勋;张雷
作者机构：
青岛科技大学信息科学技术学院,山东青岛266000;青岛西海岸新区海洋发展局,山东青岛266200;青岛励图高科信息技术有限公司,山东青岛266200
文献出处：
引用格式：
[1]张德春;李海涛;李勋;张雷-.基于CBAM和BiFPN改进YoloV5的渔船目标检测)[J].渔业现代化,2022(03):71-80
A类：
YoloV5,渔船检测
B类：
CBAM,BiFPN,渔港,高点监控,目标检测模型,Kmeans++,锚框,骨干网络,卷积注意力模块,注意力机制,细节特征,加权双向特征金字塔网络,原先,像素,聚合网络,PAN,多尺度特征融合,检测尺度,上去,去掉,大目标,小目标,改用,个检,检测精度,召回率,平均精度均值,每秒,检测效果,休渔,渔期
AB值：
0.27466
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。
