典型文献
多尺度特征DCA融合的海上船舶检测算法研究
文献摘要：
为了加强海上交通的安全性,以常见的民用船和军用船为研究对象,针对原始YOLOV3算法在船舶数据集上检测精度不高、目标框出现误检和小目标漏检的问题,提出了改进的船舶检测算法MS-YOLOV3.构建船舶图像数据集Shipdataset,包括数据采集、增强和标签标注,使用维度聚类算法在该数据集中找出合适尺寸的先验框,并应用于相对应的尺度特征图.以Darknet-53的网络框架为基础特征提取网络,增加网络预测尺度,在多尺度特征融合中加入DCA融合策略,提高模型对船舶的检测能力.以MS-YOLOV3为算法框架,采用GIOU作为边框损失函数的参数,提升模型对边界框位置信息的预测准确度.结果MS-YOLOV3与YOLOV3检测算法的对比实验表明,前者在船舶数据集上的精度有7.9个百分点的提升.同时加入的GIOU边框损失,拉低了模型的平均损失,加强了模型的鲁棒性,使得目标框的定位误差大大减小.根据Pascal VOC2007数据集上的训练效果,MS-YOLOV3的平均精度相较于YOLO系列算法、SSD300和Faster-RCNN,精确度优势更加明显.提出的MS-YOLOV3检测模型使得船舶的位置信息和类别精度更加准确.
文献关键词：
深度学习;卷积神经网络(CNN);船舶检测;多尺度特征;YOLOV3;判别相关分析(DCA);广义交并比(GIOU)
中图分类号：
作者姓名：
潘慧;段先华;罗斌强
作者机构：
江苏科技大学 计算机学院,江苏 镇江 212003
文献出处：
引用格式：
[1]潘慧;段先华;罗斌强-.多尺度特征DCA融合的海上船舶检测算法研究)[J].计算机工程与应用,2022(04):177-185
A类：
Shipdataset,判别相关分析
B类：
DCA,海上船舶,船舶检测,检测算法,算法研究,海上交通,民用船,军用,YOLOV3,检测精度,框出,小目标,漏检,图像数据集,标签标注,聚类算法,先验框,特征图,Darknet,网络框架,特征提取网络,多尺度特征融合,融合策略,检测能力,GIOU,边框损失函数,边界框,位置信息,预测准确度,百分点,定位误差,Pascal,VOC2007,训练效果,SSD300,Faster,RCNN,检测模型,广义交并比
AB值：
0.356829
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。
