改进YOLOv8的轻量级光学遥感图像船舶目标检测算法

针对现有基于深度学习的轻量级目标检测算法,在应用于光学遥感图像船舶目标检测任务时所面临的精度低、检测速度慢的情况,提出一种基于YOLOv8s的轻量级光学遥感图像船舶目标检测算法。引入一种新的轻量级非对称检测头,使模型在复杂背景中更加关注船舶对象;主干网络融合选择注意力模块,通过动态调整特征提取主干的感受野来提高目标检测的性能;引入Slim-FPN的思想来改进颈部,在保持检测精度的同时减少参数数量;设计快速卷积模块FasterConv,基于此重构C2f中的Bottleneck结构,命名为Faster_C2f,增强了网络的特征提取能力。实验结果表明,改进的算法在保证检测速度的同时取得了95.2%的检测精度,比基线模型提高1.4%,每秒检测帧数提高8%,模型参数减少33%,较主流算法在检测效果上有一定的提升。

面向海域环境感知的视觉处理方法研究综述

环境感知是海上目标智能化监测的核心技术,广泛应用于军事与工业领域。深度学习为环境感知研究带来新活力,但目前该领域缺乏全面性的综述。从深度学习、环境感知与视觉方法的交叉点出发,将环境感知系统分为信息采集、信息融合、信息处理和信息传输四个模块。在此基础上,针对海域环境数据生成、海域目标检测识别与海陆岸线分割三个方面应用,从传统方法、卷积神经网络方法以及Transformer方法三方面系统梳理了海域环境信息的多种视觉处理方法,介绍了每种方法存在的问题及最新研究工作,并横向与纵向对比了不同方法的优缺点。最后,结合最新研究工作探讨了该领域的研究趋势。随着现代智能算法的进步,应用深度学习进行视觉感知能大大简化设备开发的进程和结构,能直观地感知周围海域目标;随着时间的推移,感知系统的提升也将主要集中在智能化、平台化和集成化方面。