船舶智能化的发展对船舶视觉感知系统实时目标检测能力提出了更高要求,YOLOv5作为YOLO(You Only Look Once)系列算法的最新成果,以良好的速度和精度被广泛应用于海上目标检测.但在实际海上航行中往往伴随着多变的自然条件和复杂的活动场...船舶智能化的发展对船舶视觉感知系统实时目标检测能力提出了更高要求,YOLOv5作为YOLO(You Only Look Once)系列算法的最新成果,以良好的速度和精度被广泛应用于海上目标检测.但在实际海上航行中往往伴随着多变的自然条件和复杂的活动场景,这使其在复杂海域中小目标检测能力和多目标分类效果并不理想.因此,为提升YOLOv5在复杂海域中目标检测能力,本文提出多路径聚合网络结构(MPANet).在自底向上特征传递过程中融合多层次特征信息以增强多尺度定位能力,同时结合SimAM注意力模块和Transformer结构增强高阶特征语义信息.在自定义数据集中实验结果表明:MPANet-YOLOv5相较于YOLOv5模型AP提升了5.4%,召回率提升了3.3%,AP0.5提升了3.3%,AP_(0.5:0.95)提升了2.2%,不同海域测试结果显示MPANet-YOLOv5海面小目标检测能力明显优于YOLOv5.展开更多
文摘船舶智能化的发展对船舶视觉感知系统实时目标检测能力提出了更高要求,YOLOv5作为YOLO(You Only Look Once)系列算法的最新成果,以良好的速度和精度被广泛应用于海上目标检测.但在实际海上航行中往往伴随着多变的自然条件和复杂的活动场景,这使其在复杂海域中小目标检测能力和多目标分类效果并不理想.因此,为提升YOLOv5在复杂海域中目标检测能力,本文提出多路径聚合网络结构(MPANet).在自底向上特征传递过程中融合多层次特征信息以增强多尺度定位能力,同时结合SimAM注意力模块和Transformer结构增强高阶特征语义信息.在自定义数据集中实验结果表明:MPANet-YOLOv5相较于YOLOv5模型AP提升了5.4%,召回率提升了3.3%,AP0.5提升了3.3%,AP_(0.5:0.95)提升了2.2%,不同海域测试结果显示MPANet-YOLOv5海面小目标检测能力明显优于YOLOv5.