复杂场景下基于增强YOLOv3的船舶目标检测

发布时间：2021-01-05 08:18

　　为提升水上交通安全监管的智能化水平,进一步提高基于深度学习的船舶目标检测算法的定位精度和检测准确率,在传统YOLOv3算法基础上,提出用于船舶目标检测的增强YOLOv3算法。首先,在网络预测层引入预测框不确定性回归,以预测边界框的不确定性信息;然后,使用负对数似然函数和改进的二值交叉熵函数重新设计损失函数;其次,针对船舶形状使用K均值聚类算法重新设计先验锚框尺寸并平均分配到对应预测尺度;在网络训练阶段,使用数据增强策略扩充训练样本数量;最后,使用加入高斯软阈值函数的非极大值抑制（NMS）算法对预测框进行后处理。对各种改进方法和不同目标检测算法在真实海事视频监控数据集上进行对比实验。实验结果显示,与传统YOLOv3算法相比,带有预测框不确定性信息的YOLOv3算法的假正样本（FP）数量降低了35.42%,真正样本（TP）数量提高了1.83%,所以提高了准确率;增强YOLOv3算法在船舶图像上的平均准确率均值（mAP）达到87.74%,与传统YOLOv3算法和Faster R-CNN算法相比分别提高了24.12%和23.53%;所提算法的每秒钟检测图像数量达到30.70张,满足实时检测的要... 

【文章来源】：计算机应用. 2020年09期 北大核心

【文章页数】：10 页

【部分图文】：

YOLOv3算法框架

加入预测框不确定性回归后网络对每一个预测框输出8个位置和尺寸信息，1个有无目标的置信度信息和多个类别信息，改进后的输出信息如图2所示。由于预测框不确定性回归只在网络最后的检测层起作用，不会对网络的特征提取造成影响，所以不会额外增加网络的计算量。通过网络学习到的预测框信息的偏移值可以计算出预测框的坐标和尺寸信息，如图3所示，网络最后输出的预测框的坐标、尺寸信息可以由式（4）计算：

其中：(bx,by)表示输出的预测框中心点坐标，bw和bh分别表示输出的预测框的宽和高；pw和ph分别表示先验锚框映射到特征图的宽和高；(cx,cy)表示网格单元左上角的坐标，在预测层的特征图中，每一个网格单元的边长均为1。2.2 损失函数改进

【参考文献】：
期刊论文
[1]基于改进YOLO v2的船舶目标检测方法[J]. 于洋,李世杰,陈亮,刘韵婷.  计算机科学. 2019(08)
[2]基于改进VGG网络的单阶段船舶检测算法[J]. 赵蓬辉,孟春宁,常胜江.  光电子·激光. 2019(07)
[3]用于内河船舶目标检测的单次多框检测器算法[J]. 王言鹏,杨飏,姚远.  哈尔滨工程大学学报. 2019(07)
[4]基于Darknet网络和YOLOv3算法的船舶跟踪识别[J]. 刘博,王胜正,赵建森,李明峰.  计算机应用. 2019(06)
[5]动态背景下航道船舶目标检测方法[J]. 陈从平,吴喆,吴杞,吕添.  三峡大学学报(自然科学版). 2019(01)
[6]基于改进卷积神经网络的船舶目标检测[J]. 王新立,江福才,宁方鑫,马全党,张帆,邹红兵.  中国航海. 2018(02)



本文编号：2958342