自注意力机制驱动的轻量化高鲁棒船舶目标检测方法

[目的]海岸监控与驾驶瞭望过程中,需要在远距离、多场景下对各种目标进行识别与跟踪。其中,船舶目标往往成像尺寸小、特征不明显,容易与其他目标混淆。为此,提出一种船舶检测方法ShipDet,通过设计专用骨干网络、改进特征提取过程、约束微观检测头,旨在改善上述问题。[方法]首先,通过融合自注意力模块Swin Transformer(STR)和经典CSPDarknet53网络,构造对微小目标高度敏感的特征融合提取网络,以增强小目标特征与环境的相关关系,关联船与航道、船与船、船与岸线,显著抑制不相关信息。考虑到数据集的船舶目标分布不均匀并且尺度变化较小的特点,保留2个检测层,减少模型参数并进一步提升模型性能。最后,使用SIoU损失函数(SCYLLA-IoU)来约束检测头,降低损失函数的回归自由度,提高检测的精度和抗干扰能力。[结果]在2023ships数据集上的验证结果表明,所提方法在船舶目标检测任务上表现较好,mAP@0.5达到92.9%,平均精度为92.1%,消耗参数量仅为35366310,整体检测性能优于其他算法。[结论]ShipDet方法将为海事监控、智能航行提供高效的支撑。

尺度适应性感受野的船舶目标检测方法

现有船舶目标检测算法大部分只是基于传统目标检测算法的优化改进,没有考虑船舶具有尺度长宽比例的外观特性,在多尺度目标检测中出现漏检误检问题。为了解决此问题,在YOLOXs基础上,提出一种尺度适应性感受野的船舶检测方法(SAF-YOLOX)。首先,对主干网络提取的不同特征层通过构建双向特征金字塔进行特征融合,增强每个尺度下的特征描述力;同时,设计自适应特征强化模块,抑制不同尺度的特征融合引入的冗余信息,弱化背景信息;然后在预测时,采用多路并行感受野的检测头,利用具有适应目标大小以及比例的感受野提取目标尺度适应性特征信息进行预测;最后,采用先筛选再分配的收敛感知策略,根据网络的收敛状态动态地分配样本,保证检测速度的同时提高检测精度。实验结果显示,所提方法在大型海事监控数据集SeaShips和MCShips上的平均检测精度分别达到93.21%和92.34%,与传统YOLOXs相比,分别提高了1.01%和1.09%。实验结果证明,所提方法利用尺度适应性感受野能实现多尺度船舶目标的高精度检测。

基于表观细粒度辨别网络的近海船舶目标检测方法

近海船舶目标检测是一项非常具有挑战性的任务,受到学者专家广泛关注。基于卷积神经网络(CNN)和注意力机制的检测器在近海船舶目标检测方面的应用取得了显著成就。然而,船舶目标检测存在着表观相似和背景干扰导致检测过程中出现误检的问题。为此,本文提出了一种用于Faster RCNN (更快的基于区域的卷积神经网络)的表观细粒度辨别的检测头模块。该模块包括类别细粒度分支和高效全维动态卷积定位分支。其中类别细粒度分支通过全局特征建模和灵活的感知范围来挖掘和利用类别细粒度辨别特征,高效全维动态卷积定位分支通过高效灵活的感知船舶边界信息来区分目标与背景,从而减少误检漏检问题。通过在近海船舶公开数据集Seaships7000上进行实验验证,本文算法减少了误检漏检,提升了检测器性能。

基于计算机视觉的船舶目标检测算法研究

我国拥有丰富的海洋资源,漫长的海岸线和众多繁忙的港口为国内外航运提供了得天独厚的自然条件。在“一带一路”等重大国策的推动下,随着海上航运活动的增加,对船舶的实时监测与跟踪需求日益突显。本研究围绕基于计算机视觉的船舶目标检测算法进行探讨。文章首先通过初始数据的采集与精准标注构建一个船舶目标数据集;进一步分析目标图像的独特性,旨在深入挖掘船舶图像的特点;为了更准确地识别船舶目标,本研究提出一种新颖的轮廓提取方法,用于有效区分船舶与复杂的海洋背景;最后,结合先进的深度学习技术,实现对船舶目标的高效识别和精确标记,以期能为雷达和AIS等传统的船舶导航工具提供重要补充,为船舶智能监控和跟踪提供核心支持。

基于改进YOLOv5的船舶目标检测算法

针对船载视频感知系统存在的船舶目标检测精度不高和检测速度慢的问题,提出一种改进的YOLOv5船舶目标检测方法。利用SENet以及Confluence边界框选取抑制技术对Backbone和边界框的选取方法进行改进,以提高目标检测精度。通过SeaShips公开数据集对改进的算法进行训练及测试。结果显示:算法的召回率为98.3%;精确率可达88.5%;检测速度达到0.019 s/image。表明改进算法具有较高的检测精度,检测效率可以达到实时。

基于计算机视觉的船舶目标检测与跟踪技术研究

针对海上交通安全问题,本文基于计算机视觉技术,研究了船舶目标检测与跟踪技术。首先,介绍了计算机视觉技术的基本原理和相关研究进展;其次,分析了海上交通安全面临的挑战和需求;然后,提出了一种基于深度学习的船舶目标检测与跟踪方法,并对该方法进行了实验验证。实验结果表明,该方法可以实现对船舶目标的准确检测和跟踪,并具有较好的实时性和鲁棒性。最后,本文总结了研究成果,并对未来的研究方向进行了展望。

针对海事视频监控的船舶目标检测算法研究

实践经验表明,限制船舶目标检测质效提高的原因有两个,一是监控背景存在水波纹,二是检测过程会受到光照和船舶尾迹影响。鉴于此,文章分别从海天背景、海岸背景出发,围绕船舶目标检测所使用算法展开研究,内容涉及前期处理、提取有效信息、建模和结果分析等方面,以供参考。

基于改进的Faster R-CNN船舶目标检测算法

为了提髙船舶目标的检测率和效率,提出了一种改进的基于区域的快速卷积神经网络(faster region-based convolutional neural network,Faster R-CNN)船舶目标检测方法。采用图像降尺度方法,旨在增强船舶图像的有用信息;采用场景窄化方法将目标区域定位网络和FasterR-CNN卷积神经网络构建成一个层级窄化网络,旨在降低目标检测搜索尺度,从而提高Faster R-CNN的计算速度;研究具有主题窄化功能的Faster R-CNN,选择纹理特征和空间差异特征作为窄化子网络,旨在实现主网与子网间深度协作的功能,优化网络参数.试验结果表明:该方法在提高FasterR-CNN算法检测精度的同时,显著地缩短了检测时间.

基于改进卷积神经网络的船舶目标检测

为提高无人船研究中的船舶辨识速度和精度,弥补海上船舶目标检测中船载自动识别系统(Automatic Identification System,AIS)和雷达图像的不足,提出一种基于改进卷积神经网络的船舶目标检测模型。设计多策略的卷积神经网络模型,利用船舶图像数据进行训练和测试,并将测试结果与基于区域提名和基于回归方法的卷积神经网络模型结果相对比。试验结果表明,改进的卷积神经网络模型的船舶检测准确率高于另外2种模型。

复杂环境下的多特征融合船舶目标检测算法

船舶目标检测作为机器视觉的研究领域之一,对海洋运输业和搜救智能化具有基础性现实意义。但在实际检测中由于复杂的天气环境存在准确率低、定位不准确等问题,本文提出一种复杂环境下的多特征融合船舶目标检测算法。新增侧边融合路径网络,减少特征前向传播丢失,加强信息融合,通过高斯分布以及采用方差投票方法,改进定位损失函数提升滤除重复框效果,使边框定位更加准确从而改善漏检、误检等情况。实验结果表明,在不同天气环境下,该算法的平均准确率(mAP)达到88.01%,与传统YOLOv3和Faster RCNN算法相比分别提高了19.70和15.13个百分点,平均交并比(IoU)增加了6.49个百分点,在复杂环境下的船舶检测应用上具有很好的实用性。

基于多源异构数据融合的船舶目标检测与跟踪技术研究

随着内河船舶通航密度加大,面向水上船舶智能化安全监管,提出了一种多源异构传感器融合的船舶目标检测及动态跟踪方法,重点分析了图像目标检测和多源数据融合算法。针对图像目标检测,提出了基于边缘检测的三帧差分法与基于混合高斯背景减除法相结合的船舶视频目标检测算法;针对多源异构数据融合,优化了一种正态性隶属度函数计算模糊矩阵的方法,实现了在动态视频修正下的激光点云数据与AIS数据的船舶轨迹特征融合,并通过空间矩阵变换实现投影到同一坐标系,最后利用卡尔曼滤波算法实现了目标的动态跟踪。通过该方法研发了一套基于多传感器融合的船舶态势主动式智能感知系统,经系统分析,该方法比传统人工检测及单一监测手段都具有更好的环境适用性和检测精度。

船舶目标检测与跟踪技术的特征信息提取研究

为提升船舶目标检测和跟踪的技术水平,研究船舶目标检测与跟踪技术的特征信息提取方法。首先利用高斯混合背景模型得到船舶前景图像,然后分别提取船舶前景图像的亮度、颜色、方向特征和船舶轮廓特征信息,最后利用支持向量机和Chan-Vese模型利用特征实现船舶目标检测与跟踪。实验结果表明,该方法提取船舶前景图像时可有效提取其微小细节,提取的船舶图像亮度与颜色与原始值吻合度极高,可有效提取船舶轮廓特征,船舶类型识别和跟踪误差小,应用效果较为显著。

基于改进YOLO v2的船舶目标检测方法

针对船舶图像目标检测中存在的小目标检测准确率低、系统鲁棒性差的问题,提出一种改进的YOLO v2算法对船舶图像目标进行检测。通过目标框维度聚类、网络结构改进、输入图像多尺度变换等方法对传统YOLO v2算法进行改进,使其能够更好地适应船舶目标检测任务。测试结果表明,在输入图像尺寸为416×416时,该算法的平均精确率(mean Average Precision,mAP)达到79.1%,检测速度为64帧/s(Frames Per Second,FPS)。所提方法可满足实时检测的需要,且具有小目标检测精度高、鲁棒性强的特点。

融合图像显著性的YOLOv3船舶目标检测算法研究

针对复杂水面环境下的船舶目标检测问题,运用融合图像显著性的YOLOv3船舶目标检测改进算法以提高检测能力。该算法基于Darknet-53网络模型,根据水上船舶特点,融合非极大值抑制算法Soft-NMS和显著性检测算法FT思想,进一步优化最终检测以达到更准确的效果。用Soft-NMS算法替换原有NMS算法,使得算法对小目标和重叠目标检测效果明显提升。融入FT算法对船舶图像局部细节作进一步细化,使得包围盒回归更加准确。在建立的数据集上进行训练与测试,实验结果表明,改进方法比原始方法准确率提高4%,达97%,检测速度提高10帧/s,达30帧/s,表明改进算法有效提高了船舶目标检测精度,且加快了检测速度。

一种光学遥感图像船舶目标检测技术

遥感图像目标检测与识别是遥感图像分析处理中的研究热点之一,具有十分重要的科研和应用价值。基于光学遥感图像的海面船舶目标检测是其中一个重要的应用方向。传统的遥感图像船舶目标检测方法精度不足、适用范围有限;因此,文中引入自然图片目标检测任务中表现优异的基于深度学习的FasterR-CNN算法。由于光学遥感图像中海面船舶目标尺寸小以及自然图片与卫星遥感图像差异明显,直接应用原始的FasterR-CNN算法检测效果较差。针对此问题,提出一种将图像上采样与特征金字塔网络结合的改进策略,以提高海面船舶检测性能,尤其是小尺寸目标的召回率和准确性。通过在自制数据集上合理的对比实验验证了自然图片中的深度学习目标检测算法迁移至遥感图像处理的可行性和所提出方法的先进性。

基于改进YOLOv7的光学遥感图像船舶旋转目标检测

针对在遥感图像复杂背景下船舶目标尺度变化大以及方向任意的特点,提出一种基于YOLOv7改进的光学遥感图像船舶旋转目标检测算法.在骨干网络中融入全局注意力机制(GAM),使模型在复杂背景中更加关注船舶对象;在颈部加入自适应空间特征融合模块(ASFF),消除了特征金字塔内部特征信息不一致的问题;针对船舶比例细长且方向任意的特点,加入了高斯建模表示的旋转框检测,提高了定位精度并保留了船舶目标方向信息.结果表明:改进的算法在保证检测速度的同时,在HRSC2016数据集取得了90.73%的检测精度,检测效果也有所提升.

基于YOLO-FNC模型的轻量化船舶检测方法

[目的]针对交通密集的港口、船舶聚集的渔船作业区以及船岸混合交通场景等复杂环境,提出一种基于YOLO-FNC模型的船舶检测方法。[方法]首先,设计一种基于FasterNet思想的神经网络模块FasterNeXt,并将该模块替换YOLO模型中的C3模块,在不影响准确性的条件下确保运行速度更快。其次,将NAM注意力机制融入网络结构中,通过利用稀疏的权重惩罚抑制特征权重确保权重的计算更加高效。最后,提出新的边界框回归损失以加快预测帧调整并增加帧回归率,提升网络模型收敛速度。[结果]实验结果表明,在自建的复杂场景下船舶数据集进行检测实验,与YOLOv5s算法相比,所提方法的mAP@0.5提升6.35%,参数量减少9.74%,计算量减少11.39%。[结论]该检测方法有效实现了轻量化、高精度的船舶检测。

基于改进YOLOv5的船舶多尺度SAR图像检测算法

针对复杂场景下合成孔径雷达(Synthetic aperture radar, SAR)图像船舶目标像素尺度差异大和船舶密集排列造成目标漏检的问题,提出一种基于改进YOLOv5的船舶多尺度SAR图像检测算法。对于YOLOv5的颈部网络,采用双向特征金字塔结构(Bi-directional feature pyramid network, BiFPN)提升网络多尺度特征融合能力,并在其自下而上的特征融合支路中,基于深度可分离卷积(Depthwise separable convolution, DSC)和通道MLP构建EC-MLP(Enhanced channel-MLP)模块,从而丰富语义信息,提供更充分的船舶目标上下文特征;引入全局注意力机制(Global attention mechanism, GAM),使网络对输入特征进行针对性提取并运算,减少网络的信息丢失;此外,使用SIoU损失函数进一步提高网络的训练收敛速度和检测精度。在SSDD和HRSID数据集上与其他8种方法(Faster R-CNN、Libra R-CNN、FCOS、YOLOv5s、PP-YOLOv2、YOLOX-s、PP-YOLOE-s和YOLOv7-tiny)进行对比实验。实验结果表明:改进后算法在SSDD数据集上的AP50达到了96.7%,在HRSID数据集上AP50达到了95.6%,优于对比方法。

面向水面无人艇的目标检测与船舶分类系统研究

搭载视觉智能感知系统的水面无人艇能够对水上目标有效识别,其在水面勘探、自主搜救等领域有着广泛的应用;对水上目标和船舶的检测方法进行研究,其主要工作包括:第一,构建水面无人艇的数据采集和边缘计算平台;第二,构建水上目标数据集,总计图片3437张,28个类别,其中8个类别为船舶分类;第三,分别训练水上目标检测和船舶检测的YOLOv5L网络并进行测试,并将网络部署到边缘计算平台,水上目标检测网络mAP为78.23%,船只分类网络mAP为85.16%;第四,基于检测框匹配的方式实现水上目标检测网络和船只分类网络的级联工作,级联网络mAP达到78.58%;第五,引入ASPP-pool模块,并训练改进后的网络,水上目标检测网络mAP提高1.06%,级联网络mAP提高0.76%。

基于改进FPN的复杂场景下SAR图像船舶目标检测

针对合成孔径雷达(SAR)图像近岸船舶目标受背景杂波影响,导致SAR图像船舶目标检测率低和小尺度舰船目标漏检率高的问题,提出一种适用于复杂背景下SAR图像近岸舰船目标检测的改进FPN模型。该模型基于FPN目标检测算法,在特征提取网络中利用可变形卷积更加精确地确定目标采样点位置,以增强目标的特征提取能力,提高复杂背景下SAR图像舰船标的检测率;同时,采用通道注意力机制来捕获特征提取网络中不同通道图之间的特征依赖关系,降低漏检率。在公开的SAR图像舰船数据集上的测试结果表明,该模型在复杂场景下的检测精度为87.95%,相比原始FPN提升了8.46%,其中,针对小尺度舰船目标检测精度为95.14%,相比原始FPN检测精度提升了5.28%;对比Yolo5和mask RCNN,改进FPN模型平均检测精度分别提升了11.21%、2.98%。