典型文献
TB-MYOLO:融合MLP与YOLOv5的双分支网络船舶目标检测方法
文献摘要：
针对复杂场景下可见光卫星遥感影像的多类别船舶目标检测中易产生误检、漏检的问题,基于YOLOv5算法改进,提出了一种融合MLP的双分支网络船舶目标检测方法TB-MYOLO.该算法通过引入分支网络作为辅助以增强小目标的特征表达能力,分支网络只负责关注小目标物体的学习,携带更多的浅层位置信息.将分支网络学习到的小目标特征向量与主干网络学习到的小目标特征向量相融合,使小目标特征在网络中占有更大的比重,以此增强模型对目标位置的特征学习能力.同时使用MLP模块代替原始YOLOv5的SPPF模块,利用MLP的特征长依赖性的特点对深层网络的特征向量进行筛选加权,突出重点信息,避免了池化层带来的信息损失.实验结果表明,相比原始YOLOv5算法,改进后的TB-MYOLO算法显著提升了小目标类别的召回率和定位精度.对于复杂场景下可见光卫星遥感影像的多类别船舶目标检测,平均准确率mAP50达到了80.8％,相比原始YOLOv5、Retinanet和Faster R-CNN算法、改进后的TB-MYOLO算法,分别提升了2.4％、24.5％和28.1％.
文献关键词：
TB-MYOLO;双分支网络;船舶检测;MLP;可见光卫星遥感影像
中图分类号：
作者姓名：
薛继伟;柳志文;吕福娟;孙宇锐
作者机构：
东北石油大学计算机与信息技术学院,黑龙江大庆 163000
文献出处：
引用格式：
[1]薛继伟;柳志文;吕福娟;孙宇锐-.TB-MYOLO:融合MLP与YOLOv5的双分支网络船舶目标检测方法)[J].河南科学,2022(10):1549-1558
A类：
MYOLO,可见光卫星遥感影像
B类：
TB,MLP,YOLOv5,双分支网络,船舶目标检测,目标检测方法,复杂场景,多类别,中易,漏检,算法改进,特征表达,表达能力,层位,位置信息,网络学习,小目标特征,特征向量,主干网络,增强模型,目标位置,特征学习能力,SPPF,深层网络,突出重点,池化,信息损失,法显,召回率,定位精度,平均准确率,mAP50,Retinanet,Faster,船舶检测
AB值：
0.233935
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。
