多视图交叉一致性学习的半监督水面目标检测

为缓解基于半监督学习的水面目标检测对有限标注样本过拟合的问题,提高无标注样本中目标提取的有效性,提出了基于多视图交叉一致性学习的半监督水面目标检测算法。首先,该算法通过数据增强的方式为训练样本生成不同的视图以丰富数据集的多样性;然后,利用所提出的多视图目标判别器为无标注样本在线生成伪标签,有助于提取无标注样本的有效信息;最后,利用所提出的多视图交叉一致性学习使同一目标实例的不同视图的输出实现交叉一致性正则化,以促进检测模型学习判别性的特征从而降低过拟合的风险。在海上和内河数据集上的实验结果表明:文中所提算法能够提高特征提取的判别性,对多类别的水面目标检测精度达到91.0%,比全监督检测算法提高了18.7%,比其他半监督检测算法提高了3.8%以上;在检测速度上,该算法达到13.1帧/s,基本满足实时性要求。所提算法通过多视图交叉一致性学习提高特征的判别性和缓解检测模型的过拟合风险,有助于提高半监督水面目标检测的性能。

梯度纹理直方图与多层感知器船舶快速检测

在动态的复杂环境中,受背景建模失效影响,传统船舶目标检测方法的精度较低。针对该问题,提出一种基于梯度纹理直方图特征与多层感知器的船舶快速检测算法。该算法利用多层感知器将目标的梯度与纹理的直方图进行特征融合,为船舶目标构建特征空间。首先,基于二值梯度的特征训练船舶候选区模型,以快速生成具有高召回率的少量船舶候选窗口,并在每个候选窗口提取梯度纹理直方图特征;其次,设计一个多层感知器作为船舶分类器,对提取到的梯度纹理直方图特征进行判别。实验结果表明,该算法在多个海上场景中船舶检测平均精确率达90.0%,平均执行时间为20.4 ms/frame,有效实现海上船舶精确与快速的检测。