典型文献
改进RFBnet网络的船只目标检测方法
文献摘要：
针对目前舰船目标检测中,多目标情况下的舰船目标很容易被多目标遮挡,造成舰船目标漏检、分类错误等问题,提出了一种基于改进RFBnet(I-RFBnet)的自然图像目标检测方法.使用池化特征融合模块(PFF)和反卷积特征融合模块(DFF)进行特征融合,形成新的六个有效特征层.提出一种跨步长卷积方式来提取特征单元在原图中的关心区域信息,设计了融入注意力机制的膨胀卷积模块(dilate convolutions block,DB)和新的前三个有效特征层再次进行特征融合.引入聚焦分类损失函数解决训练过程中正负样本分布不均衡的问题;最后通过对规模船只检测数据集SeaShips训练后,保存其模型.实验结果表明:改进后的算法检测效果良好,尤其在多目标遮挡下的小目标效果显著.平均精度均值为96.26％,比改进前的算法提高了4.74个百分点,帧率达到26 FPS(frame per second),满足实时检测的需求.
文献关键词：
舰船检测;注意力机制;膨胀卷积模块;特征融合;小目标
中图分类号：
作者姓名：
方健;刘坤
作者机构：
上海海事大学 信息工程学院,上海 201306
文献出处：
引用格式：
[1]方健;刘坤-.改进RFBnet网络的船只目标检测方法)[J].计算机工程与应用,2022(12):155-162
A类：
RFBnet,膨胀卷积模块,dilate
B类：
船只,目标检测方法,舰船目标检测,遮挡,漏检,图像目标检测,池化,特征融合模块,PFF,反卷积,卷积特征融合,DFF,有效特征,跨步,步长卷积,提取特征,特征单元,原图,区域信息,注意力机制,convolutions,block,DB,损失函数,训练过程,中正,正负样本,样本分布,检测数据集,SeaShips,检测效果,挡下,小目标,平均精度均值,进前,百分点,帧率,FPS,frame,per,second,实时检测,舰船检测
AB值：
0.425245
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。
