基于YOLOv3-tiny的船舶可见光图像细粒度检测

发布时间：2021-07-31 15:54

　　文中针对智能船舶视觉传感器采集到的图像进行目标检测,提出基于YOLOv3-tiny的深度卷积神经网络图像细粒度检测方法.该方法使用实验团队建立的船舶图像数据库,对图片进行人工标注,使用k-means算法对数据集锚框进行聚类,采用数据增强策略的YOLOv3-tiny深度卷积神经网络对船舶图像进行训练与测试.实验结果表明:本文提出的改进YOLOv3-tiny模型在测试集上的平均精度达到了62.85%,实时检测帧率达到了136帧/s,可以辅助船舶驾驶人员识别水面目标. 

【文章来源】：武汉理工大学学报(交通科学与工程版). 2020,44(06)

【文章页数】：6 页

【部分图文】：

YOLO算法流程图

式中:P为查准率;R为召回率;F1为F度量值;TP,FP和FN分别为真正例、假正例,以及假反例数量;P(k)为阈值k处的精度;ΔR(k)为召回量的变化.2 YOLOv3-tiny的网络结构

YOLOv3-tiny采用的骨干网络类似于YOLOv3中darknet-19的网络结构,主干网络采用一个7层的卷积层和池化层网络来提取特征,嫁接网络采用的是13×13、26×26的分辨率网络,这两个分辨率网络分别表示小尺度YOLO层和大尺度YOLO层.小尺度的YOLO层输入13×13的特征图,一共1 024个通道,输出13×13的特征图,75个通道,在此基础上进行分类和回归.大尺度YOLO层的是将14层的13×13、256通道的特征图进行卷积操作,生成13×13、128通道的特征图,然后进行上采样生成26×26、128通道的特征图,同时与第9层的26×26、256通道的特征图合并最终输出26×26、75通道的特征图,在此基础上进行分类和位置回归.3 自适应锚框聚类

【参考文献】：
期刊论文
[1]基于深度学习的水面无人船前方船只图像识别方法[J]. 王贵槐,谢朔,初秀民,洛天骄.  船舶工程. 2018(04)
[2]反舰可见光弹对水面目标的边缘检测算法[J]. 刘宗昂,杨莘元,张维义.  系统仿真学报. 2009(07)
[3]基于小波分析的SAR图像船舶目标检测[J]. 张风丽,吴炳方,张磊.  计算机工程. 2007(06)

博士论文
[1]基于光视觉的无人艇水面目标检测与跟踪研究[D]. 曾文静.哈尔滨工程大学 2013

硕士论文
[1]水面目标检测与识别算法研究[D]. 李畅.华中科技大学 2016
[2]水面无人艇视觉目标图像识别技术研究[D]. 张伊辉.哈尔滨工程大学 2015



本文编号：3313754