贾特人 《先进的交通工具 2042 - 3195 0197 - 6729 Hindawi 10.1155 / 2021/9440212 9440212 研究文章 船舶目标检测算法基于改进YOLOv3海事形象 https://orcid.org/0000 - 0002 - 2441 - 7738 程ydF4y2Ba Dehai https://orcid.org/0000 - 0002 - 3807 - 8749 太阳 Shiru https://orcid.org/0000 - 0003 - 4397 - 5193 Lei 新 https://orcid.org/0000 - 0002 - 0554 - 0482 邵 恒 https://orcid.org/0000 - 0001 - 6051 - 1943 王 Yuzhao 程ydF4y2Ba Xinqiang 学院的电气工程和自动化 江西科技大学 赣州341000 中国 jxust.edu.cn 2021年 6 9 2021年 2021年 24 6 2021年 7 8 2021年 6 9 2021年 2021年 版权©2021 Dehai陈等。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

准确识别船舶在水中是智能交通的关键技术。与此同时,它还提供了一个判断水交通安全控制的基础。提出了一种检测方法基于改进船舶在水中你只看一次版本3 (YOLOv3),叫做功能的关注,功能增强YOLOv3 (AE-YOLOv3)。注意模块的特点是由引入注意力机制,在Darknet-53嵌入特性校准,提高了特征提取的模型在背景复杂的通航能力。不足问题的低级特征的语义信息特征融合的过程,构建了功能增强模块,并应用于特征融合程度提高的接受域大小相应的特征提取功能层和关联度网络。实验进行公众SeaShips数据集。实验结果表明,检测精度高达98.72%,优于其他主流船舶识别模型,充分验证了该方法的优越性水上交通检测的船只。

 中国国家自然科学基金 61463020 61763015 1。介绍

随着世界航运业的发展,船舶的数量越来越多,船舶正在发展大规模、高速度的方向,和导航安全变得越来越重要。这客观上促进了船舶导航和自动驾驶技术的发展( 1]。为了提高效率、可靠性和安全的船舶导航,航运业正逐渐朝着智能化的方向发展,全自动化船舶自动驾驶仪,自动回避,和自动对接和离开码头,使智能船舶逐渐成为一个新的研究方向 2- - - - - - 4]。随着水上交通流密度的增加( 5),导航环境变得越来越复杂。水面舰艇的目标检测是智能导航的关键技术之一。具有重要意义准确识别水地区的船只。这是水上交通安全监控和管理的一个重要组成部分,它提供了一种依据水上交通管理和控制( 6- - - - - - 8]。

在船舶航行过程中,船舶目标检测可以帮助海上参与者采取措施避免潜在的水上交通事故( 9]。之前卷积神经网络应用于船舶目标检测,传统的船舶检测算法主要包括区域选择、组合特征提取、纹理和背景建模( 10]。近年来,随着计算机视觉的快速发展,深入学习算法取得了良好的效果在目标检测和图像处理领域( 11]。任等人提出了一种改进的速度R-CNN(更快提出卷积神经网络)船舶目标检测的算法,和提高目标检测的准确性 12, 13]。更快R-CNN执行目标探测时,提取的特征图的功能是用于生成区域建议使用区域建议网络(RPN),和300年地区建议为每个图像生成,而每一个感兴趣的区域(RoI)来生成一个固定大小的特征映射和RoI池层的最终歧视完全连接网络,大大增加了计算时间和网络的复杂性。郭等人提出了一个DepthFire单发MultiBox探测器(DF-SSD)框架,使检测精度( 14),但SSD算法预测输出通过多层卷积和语义信息丢失太多,这不是友好的小目标的检测。黄等人做了一个对比实验轨迹压缩在不同的水域和可视化,应用到海上智能交通管理和避碰 15]。这提供了一种理论依据船舶检测和跟踪系统的设计。

Ship-YOLOv3黄等提出的算法。它提高了检测精度通过改变YOLOv3网络结构,减少一些卷积操作,增加跳连接机制( 16]。Redmon等人提出YOLO目标检测算法(意思 17),导致学习热潮。然而,当有人知道由罗算法应用到船舶检测,现有的研究往往努力提高整体的检测精度,而忽略实际存在的非常小的目标( 18]。更重要的是,YOLO算法只意思预测一组类别的概率值。这给研究人员带来了许多困难。与水的密度交通流量的增加,越来越多的船舶类型需要确定航道。在背景复杂的导航下,检测精度相对较低的极小型船只,和模型的泛化能力差。在这种背景下,一个算法能够检测所有船只及时尤为重要( 19, 20.]。

通过分析现有的船舶目标检测算法,我们发现比YOLOv1和YOLOv2 YOLOv3有更大的优势。细节如下:YOLOv3提供三种类型的意见箱大,中型和小型对象。13×13是用来检测大型对象,26日×26是用来探测介质对象,和52×52是用于检测小对象。此外,1×1卷积替代完全连接层,映射和多尺度特性是与1×1卷积得到卷积检测功能映射相应的大小,从而增加网络的非线性特征,实现特征信息集成当前特征地图的大小保持不变。因为只有盒子,发现更大的信心,计算时间更快,和小目标的检测也可以友好。YOLOv4 YOLOv3的基础上加以改进,和网络性能已得到改进。然而,在实际的实验中,我们认为只有一个GPU卡;YOLOv3被选为这个工作。与R-CNN系列和SSD算法相比,它具有更高的精度和更快的计算时间。基于检测精度和速度的要求,我们选择YOLOv3算法设计船舶检测框架,因为它准确地定位船在海上图像的位置。

我们的主要学术贡献可以概括如下:(1)提出了AE-YOLOv3水船船舶检测算法实现端到端检测对象。同时,针对船太少的问题数据的数据集,数据集是通过数据的技术手段增强扩大,以避免过度拟合的发生。(2)我们构建了一个功能关注模块基于注意机制,嵌入式的特征提取网络AE-YOLOv3重新调整通道的特性,和增强功能的空间连接图( 21]。(3)然后,我们构建了一个功能增强模块基于多尺度特征的想法融合融合部分和使用改善功能扩张的接受域卷积来提高网络层,解决了这个问题的特性消失太深造成的网络( 22]。(4)我们生成的边界框和准确地预测船舶位置,和船数据集训练在一个完整的框架并与主流船舶检测算法来验证AE-YOLOv3算法的有效性,它提供了一种理论依据水上交通安全。

 2。数据描述

船舶提出了一个新的大规模数据集邵等。它被称为SeaShips和设计培训和评估船舶目标检测算法( 23]。SeaShips数据集包含7000张图片。所有的图片都来自大约7000实际获得的视频剪辑在海岸线部署视频监控系统监控摄像头。他们精心挑选覆盖所有可能的成像差异,如不同尺度、船体部分,照明,观点,背景,和闭塞。所有图片与船型注释标签和高精度的边界框。在实践中,SeaShips数据集将推进船舶检测中的研究与应用。它包含6船类:矿砂船、散装货船,杂货船,集装箱船、渔船和客船。图像的数量在每个船类别表所示 1。其中,混合类型代表6类混合类别与船只相互阻碍的形象。

数字图像在每个类别。

船的类别 图片 百分比
矿砂船 1141年 0.1630
散装货船 1129年 0.1613
集装箱船 814年 0.1163
普通货船 1188年 0.1697
渔船 1258年 0.1797
客船 705年 0.1007
混合类型 765年 0.1093
总 7000年 1

为了提高泛化的框架,我们使用数据增强技术来产生更多的船通过应用通用的图像增强( 24]。数据集随机缩放和旋转增加到14000人。在培训过程中,90%的船图像被随机选中作为训练数据集,剩下的10%是用作测试数据集。六个类型的船只在图所示 1。

例子6船的图像类型:(一)矿砂船;(b)散装货船;(c)杂货船;(d)集装箱船;(e)渔船;(f)客船。

 3所示。方法

AE-YOLOv3算法不需要提前生成一个感兴趣的区域;相反,它直接列车网络回归的方式。通过使用集群的边框的k - means算法训练样本,3组预定义的边框是预设3规模大小,和随后的定位预测是基于这些9边界框。首先,进行特征提取原416×416输入图像通过网络特征提取,然后特征向量输入特征金字塔网络(红外系统)结构来生成3网格区域规模,13×13,26日×26日分别和52×52。每个网格区域预测三个边界框。总计(52×52 + 26×26 + 13×13)×3 = 10647边界框生成。一个向量 N预计在每个边界框,和向量的构成 N所示如下方程: (1) N = t x + t y + t w + t h + N 0 + N 1 + N 2 + ⋯ + N n 。

第一个4向量中的元素 N代表4坐标相关的边界框。中心的距离的计算公式最终预测结果的边界框的左上角功能地图所示( 2)和( 3),长度和宽度的计算公式预测的边界框所示( 4)和( 5): (2) b x = δ t x + C x , (3) b y = δ t y + C y , (4) b w = p w × e t w , (5) b h = p h × e t h 。

其中, δ 代表乙状结肠函数, C x 和 C y 代表的偏移网格边界框所属相对于图片的左上角, p h 和 p w 代表预定义的边界的长度和宽度, b x 和 b y 代表的距离中心的最终预测结果的边界框左上角的图片,和 b h 和 b w 代表的长度和宽度预测边界框。 N 0 代表对象的概率值的预测。剩下的 n向量中的值 N代表成绩的预测对象属于其中的一个 n类别,通过s形的函数。最后,nonmaximum抑制执行生成的预测框架上得到最终的预测结果。整个检测过程的AE-YOLOv3算法如图 2。它由三部分组成:Darknet-53特征提取器,融合多尺度特性,和多尺度检测分支结构。

AE-YOLOv3算法网络结构。

AE-YOLOv3的目标探测过程如下:在第一步中,训练数据的特征提取模块通过Darknet-53嵌入功能进行关注。在第二步中,目标特征数据的空间相关性程度增强的改进功能融合的部分,和小目标特征信息的提取能力增强。第三步是边界框的生成和船舶位置预测,并计算边界框所示( 2)- ( 5)。然后,最后船马克框后获得应用nonmaximum抑制(NMS)算法。

在图 2,Res-FA n代表一个残余结构 nRes-FA模块和Res-FA代表剩余结构的嵌入式功能模块的关注。Darknetconv2d_BN_Leaky(双)由卷积、批正常化(BN) [ 25],漏水的解决线性单元(ReLU) ( 26]。

由于船的复杂背景和不规则的大小图片,YOLOv3算法的识别难度增加。同时,针对YOLOv3小目标识别算法的缺陷,考虑到识别精度和速度的问题,本文设计了AE-YOLOv3基于多尺度特征的关注(FA)模块和功能增强(FE)模块。英足总模块嵌入到Darknet-53网络通道的重量再分配功能。因为Darknet-53网络使用大量剩余的连接,结构需要调整时,功能模块添加关注。同时,功能增强模块嵌入特性设计的融合是提高能力来提取小型船舶目标的特征信息,和高级特性的有限元模块解决问题地图由于卷积操作变得更小。

特定的网络设计过程如下:①在Darknet-53网络设计FA模块嵌入到调整后的残余结构,和通道特性的重量关系特征提取网络重新分配,加强船舶目标的空间连接在不同的尺度。②然后,原船的重量是计算加权图像特征映射通过规模经营,增强多尺度的特征提取的能力目标,最后输出相应的特征映射。③Darknet-53网络输出的三个特征图作为输入的特征融合的部分;然后,通过功能增强模块,检测小目标船只的性能提高。

3.1。Darknet-53结构

Darknet-53特征提取器使用一系列的卷积层1×1和3×3,和每一个卷积层连接到两个神经网络结构单元:批量标准化和漏ReLU;两个卷积层构成剩余卷积。有五个残余Darknet-53卷积团体,剩余卷积集团采取了跃层连接方法,形成残块。多个卷积操作后,416×416×3的形象可以输出到13×13×1024的形象。同时提高算法的计算速度,减少网络的复杂性,避免过度拟合的发生。

 3.2。特性的关注(FA)模块

像人类的视觉系统,注重机制有意识地从巨大的目标信息,抓住最有用的信息可以学习有用的特性,抑制无用的功能。通过添加不同的权重特性渠道传播的神经网络,该网络将关注权重较大的信道参数更新。正向传播过程中,渠道的重要特性占据较大的比例,最后检测输出图像也更突出显示网络的焦点。小王提出了卷积神经网络使用注意力机制通过特性的研究网络( 27]。随着网络的不断加深,关注模块将学习自适应地从图像中提取有用的信息。随着注意力机制被越来越多的研究人员,已经证实,它有一个积极的影响网络性能的提高。

YOLOv3算法用于船舶检测时,研究人员通常专注于改善总体精度但忽略水的面积非常小的船只,这在实际应用有一定的安全风险。如今,越来越多的货物运输在水和船惯性比较大。因此,提高检测的准确性非常小的船只在距离可以提前判断,以避免碰撞事故的发生。对于上述问题,本文构造一个功能的关注(FA)模块重新调整功能通道以提高网络的特征提取能力。结构如图 3FC意味着完全连接,ReLU意味着解决线性单元。

功能模块结构的关注。

功能注意模块的具体步骤如下:首先,1×1和3×3的卷积前添加全球平均池实现跨越海峡的信息集成,提高了船的空间连接图像在不同尺度和多尺度特征提取的能力。然后,通过全球平均池、地图的全球空间信息特征是转化为一维向量求和,地图和全球信息的功能。林提出的全球平均池是一种特殊的池et al。 28]。是常用的聚合空间信息,执行整个的平均池特性图,最后得到一个值。具体公式如下所示: (6) G c = 1 H × W ∑ 我 = 1 H ∑ j = 1 W U c 我 , j 。

其中, G c 是全球平均池后的矢量和地图的功能, H和 W输入特性的宽度和高度是地图,然后呢 U c 我 , j 的价值吗 cth通道 U c 在( 我, j);然后,从特征图的大小变化 C × H × W 来 C × 1 × 1 。

为了加强空间特性之间的联系渠道,获得特征图谱的权重不同的频道,需要进行以下处理 G c : (7) X c = σ W 2 δ W 1 G c 。

其中, X c 是地图对应的重量特性, W 1 ∈ R C / r × C 和 W 2 ∈ R C × C / r 是完全连接层的权重矩阵, δ 是ReLU函数,然后呢 σ 是乙状结肠函数。

最后,通道的功能是调整,然后体重 X c 乘以输入特征地图吗 U c 。具体公式如下所示: (8) G c = U c ⊗ X c , 在哪里 U c 是输出矩阵的 c体重校正后th通道。

 3.3。功能增强(FE)模块

当YOLOv3算法用于船舶检测、特征融合部分采用自顶向下的融合方法。由于分层的卷积,高级功能层是大大降低灵敏度小目标特征信息的输入图像,和学习能力是不够的。即使最初的网络将整合高级功能层具有较强的语义信息和低级功能层,检测能力不足的问题无法避免网络对小目标。上述问题,功能增强(FE)模块的目的是直接作用于功能融合YOLOv3算法的一部分,这就增加了接受域卷积层和语义信息的输出功能层。

本文使用扩张卷积可以提高卷积的接受域层,而不是训练参数的数量,通过使用不同大小的传统的卷积,卷积不同步骤的扩张构造功能增强(FE)模块;它是嵌入到特征融合的过程。通道纬度,功能网络之间的相关性增强,从而提高小目标探测的性能。结构如图 4。

特性增强模块结构。

Branch1、branch2 branch3三个分支结构的有限元模块。后输入船Darknet-53图像通过剩余模块,它将输出5特征图谱,其中输出特征图3,4,5将输入的下一个模块(见图 2)。由于功能融合适应一部分自上而下的融合方法,有限元模块嵌入到特征融合后,branch1 branch2是高级的输入输出特性图,和branch3是邻底层的输入输出特性图。concat操作后,特征融合的目标是实现。三个输出多尺度特性的计算公式地图特征融合后显示如下: (9) X 我 = concat b 1 x 我 , b 2 x 我 , 我 = 5 , concat b 1 x 我 , b 2 x 我 , b 3 x 我 + 1 , 我 = 3、4。

其中, b 1 x 我 , b 2 x 我 , b 3 x 我 + 1 表示相应的branch1卷积组合、branch2 branch3; x 我 和 x 我 + 1 表示输出特性Darknet-53地图;concat[]是功能连接操作。Branch1使用传统的卷积1×1和大小的扩张卷积与3×3和2的步长;branch2使用传统的卷积3×3和扩张卷积3×3的大小和3的步长;操作和branch3使用反褶积,并在一定程度上解决了问题,高级功能映射由于卷积操作变得越来越小。 F1branch1的计算结果,计算公式所示( 10); F2是卷积的结果用不同的大小和步骤,以及计算公式 F2所示( 11); F3反褶积的结果,具体计算公式所示( 12)。 (10) F 1 = F H × W × C ⊗ b 1 × 1 × C / 2 ⊗ 一个 3 × 3 × C / 2 2 , (11) F 2 = F H × W × C ⊗ b 3 × 3 × C / 2 ⊗ 一个 3 × 3 × C / 2 3 , (12) F 3 = 我 年代 + 2 p − k 年代 + 1。

其中, ⊗ 卷积运算, F H × W × C 当前的输入特性映射层的特性增强模块, b是传统的卷积, 一个是扩张卷积, 我 年代 输入的大小特征映射下一层的功能模块, k卷积核的大小, 年代是步长, p 本文是边界填充(0)。最后, F 1 , F 2 , F 3 是连接。

 4所示。实验

该算法应用于船舶目标检测,已经详细描述了在上面的部分。摘要实验进行了谷歌Colaboratory。NVIDIA Tesla P100 GPU版本,其中包含16 GB的RAM和仿真平台是PyTorch Python框架(版本3.7)。

为了验证本文AE-YOLOv3算法的优越性,我们在水平和垂直方向进行比较实验基于相同的实验环境,和平均平均精度(mAP)作为评价指标,包括精度和召回。精度和召回的计算公式如下所示: (13) 精度 = TP TP + 《外交政策》 , (14) 回忆 = TP TP + FN , TP在哪里发现的船只数量AE-YOLOv3, FP是错误的船舶检测目标,和FN是船的数量目标没有检测到。更大的地图意味着算法的目标探测精度更好。地图显示计算公式如下: (15) 地图 = ∫ 0 1 P R d R , 在哪里 P 精度, R是回忆,P-R的面积曲线(见图 5)是地图的大小。

P-R曲线比较图。

是在相同的实验环境进行对比实验。本文提出的算法快提出卷积神经网络(快R-CNN) [ 29日),单发检测(SSD) [ 30.,你只看一次版本3 (YOLOv3) [ 31日)用于舰船目标探测实验。当模型停止收敛,训练终止。培训完成后,体重文件叫做和测试基于R-CNN更快,SSD, YOLOv3, AE-YOLOv3。帧每秒(FPS)算法的同时,测试代表图片的数量,每秒可以处理。测试结果如表所示 2。

SeaShips数据集的比较测试结果。

检测算法 地图(%) 帧/秒
快R-CNN 91.83 7
固态硬盘 95.45 30.
YOLOv3 95.89 35
AE-YOLOv3 98.72 32

根据表 2,水路运输船舶检测算法的检测精度提出了高于主流检测算法,并达到了98.72%。精度的提高主要是由于优秀的YOLOv3算法的网络设计和添加功能关注模块和功能增强的性能特性融合的部分。然而,它不如原来的FPS YOLOv3算法;主要原因是铁模块使用反褶积提高分辨率的高级功能映射,从而增加的计算量,使模型慢下来。考虑到检测精度和速度的要求,本文提出的算法能满足船舶目标检测的要求。针对减少FPS,未来的研究将解决问题的计算和信息冗余网络,同时确保精度,提高检测精度和速度的模型。

为了更好地反映模型的优越性,召回率和精度的四个算法分别计算,和相应的P-R曲线绘制,如图 5。低召回意味着很少有船在海上目标图像,和精密的代表算法的检测精度。实验表明,本文提出的算法有明显改善精度和召回和正确检测到更多的船对象,在船舶检测证明它的优越性。

图 6显示的地图比较图表AE-YOLOv3算法和当前三种主流算法,同时也涵盖了各种类别的SeaShips数据集。在这篇文章中,分数阈值设计为0.6;也就是说,发现船目标一致边界框至60%,检测被认为是成功的。其中,平均检测精度AE-YOLOv3 6类型的船只高达98.72%,高于2.83%的原始YOLOv3算法,比SSD算法高出3.27%,6.89%高于R-CNN越快。对于每个类别,AE-YOLOv3算法有显著增加的AP值小目标渔船与其他三个算法相比,表明添加一个特性的关注(FA)模块来执行功能通道校准可以改善小目标的检测。另一个值得注意的变化是矿砂船类别;SeaShips观测的数据集,可以发现包含矿砂船的图像目标与背景混合率高,和背景有很大的干扰。然而,美联社AE-YOLOv3算法的矿砂船类别的值是12%,3%和1%高于其他三个。主要原因是嵌入有限元模块可以加强高级功能层的特征信息,从而增加模型的能力把握目标信息,避免了错误识别。

美联社的比较不同算法的曲线:(a)快R-CNN地图;(b) SSD的地图;(c) YOLOv3地图;(d) AE-YOLOv3的地图。

从表可以看出 3精度和召回有显著改善与其他三个算法相比,表明错过AE-YOLOv3算法的目标的数量显著降低(船图像作为一个nonship评判图像)及其性能显著提高。良好的目标检测器性能可以为海事人员提供参考,避免船舶碰撞的危险过失造成的海上人员( 32]。更具体地说,将AE-YOLOv3算法应用到视频跟踪系统将发布预警即将发生碰撞时,海洋事故的概率大大降低,促进智能航运的发展。

船舶检测不同算法的性能。

算法 回忆(%) 精度(%)
快R-CNN 88.235 89.615
固态硬盘 91.938 92.995
YOLOv3 93.145 94.628
AE-YOLOv3 97.568 97.388

视觉检查比较如图 7。它显示了不同的算法的检测结果使用相同的培训策略。其中,第一行是AE-YOLOv3算法的检测结果,第二行是原YOLOv3算法的检测结果,第三行是SSD算法的检测结果,第四行是更快的检测结果R-CNN算法。根据图 7与其他三个算法相比,AE-YOLOv3有显著改善。船舶类别AE-YOLOv3探测到的数量远远超过其他三个。特别是,小目标的检测效果明显改善,阻挡目标的识别率也更高,而原始YOLOv3, SSD,和更快的R-CNN有许多错过了目标。从比较中可以看出第一列AE-YOLOv3具有良好结果的检测多个目标和小目标,虽然原始YOLOv3, SSD,和更快的R-CNN都错过了检测和低精度;它可以从比较的第二列和第三列AE-YOLOv3也阻挡目标的检测效果好。

四种不同算法的检测结果SeaShips测试集:(一)AE-YOLOv3;(b) YOLOv3;(c) SSD;(d) R-CNN更快。

AE-YOLOv3从以上讨论,本文对小目标有很好的检测效果,目标遮挡、目标和不完整的信息,可以用一个合适的边界框圈船目标,特别是对小渔船。效果显著提高;它受益于关注模块和功能增强模块的设计功能。通过特征提取网络的通道校准功能,空间连接加强。同时,特征融合的有限元模块部分加强高层之间的相关性和解决网络和提高了特征提取能力。一个优秀的目标检测器是极其重要的。AE-YOLOv3出色性能的可以提供一个参考依据海事部门和船舶设计,以及提供判断依据海事相关人员提前控制船舶导航,以避免水上交通事故,从而达到安全航行的影响。

使用视频监控船舶自动监测技术在海上安全方面扮演着重要的角色和海上运输、渔业管理、船舶交通监视等等( 33- - - - - - 35]。船跟踪是完全基于船舶检测的结果。如果检测到的目标是错误的,那么后续目标跟踪在此基础上也会犯错误。对目标探测算法,目前很难达到非常高的精度,和阻塞一直是一个难于解决的问题。本文改进的算法解决了这个问题,所以它可以提供一个理论依据的后续跟踪船只在水面上。

 5。结论

船舶目标检测和跟踪是非常重要的智能航运的发展,这就要求船舶在复杂的通航环境,克服所有的困难,避免水上交通事故的发生。我们提出了一个基于YOLOV3检测算法模型船在海上图像。AE-YOLOv3在三个步骤实现。第一步是构建一个功能模块通过引入注意的注意机制和嵌入在Darknet-53特性校准。第二步是建立一个功能增强模块,并将其应用于特征融合来提高的接受域大小的相应功能层和相关性特征提取网络。第三步是输出地图的多尺度特性预测分支结构,以获得最佳的检测框架。

虽然我们船舶目标检测方法取得了良好的性能,仍有一些限制在这个工作;我们可以做一些研究来提高算法的性能。首先,我们认为SeaShips数据集的船只都在一个水平位置,这工作是进行SeaShips数据集;因此,有必要收集multiangle船在未来图像作为训练数据集。其次,海上图像被收集在一个良好的环境(没有风暴的扰动,雨,雪),所以检测船在复杂环境将是一个重要的研究对象。最后但并非最不重要,图像监控录像将模糊由于振动,当船航行,所以测试我们的模型的性能根据振动背景将是一个很好的探索。

 数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

 的利益冲突

作者宣称没有利益冲突有关的出版。

 确认

这项研究得到了国家自然科学基金(61463020和61463020)。

 刘 r·W。 聂 J。 Garg 年代。 熊 Z。 张 Y。 侯赛因 m . S。 数据驱动的轨道质量改进促进智能6 g海上船舶交通服务物联网系统 IEEE物联网 2021年 8 7 5374年 5385年 10.1109 / jiot.2020.3028743 Gui Y。 李 X。 雪 l 一种多层融合光电传感头搜救船检测器检测 传感器(瑞士巴塞尔) 2019年 19 5 10.3390 / s19051124 2 - s2.0 - 85062612241 吴 B。 唐 y . H。 杨ydF4y2Ba x P。 苏亚雷斯 c·G。 贝叶斯网络模型的电动汽车运输安全管理RoPax船只 可靠性工程和系统安全 2021年 209年 107466年 10.1016 / j.ress.2021.107466 谅解备忘录 j . M。 程ydF4y2Ba p F。 他 y . X。 叫喊声 t . L。 李 w·H。 唐 J。 张 h . Z。 船舶交通安全在繁忙的水道:一个案例研究的事故在深圳西部港口 事故分析和预防 2019年 123年 461年 468年 10.1016 / j.aap.2016.07.037 2 - s2.0 - 85028513304 杨 Y。 程ydF4y2Ba X。 研究船舶流量统计方法基于深度学习和虚拟检测线路 《IEEE 8日联合信息技术和人工智能国际会议(ITAIC) 2019年5月 中国重庆 280年 285年 莱特 r·G。 使用多传感器智能自主船舶导航模式 TransNav,国际期刊对海洋导航和海上运输的安全 2019年 13 3 503年 510年 10.12716 / 1001.13.03.03 2 - s2.0 - 85073352464 吴 B。 程 T . T。 梁 T。 王 Y。 基于模糊逻辑的智能导航策略动态决策支持系统在内陆交通分离方案 海洋工程 2020年 197年 刘 B。 王 美国Z。 谢 z . X。 赵 J。 李 M。 船舶识别和跟踪系统,用于智能船基于深度学习框架 TransNav,国际期刊对海洋导航和海上运输的安全 2019年 13 4 699年 705年 10.12716 / 1001.13.04.01 邵 Z。 王 l 王 Z。 杜 W。 吴 W。 船用Saliency-aware卷积神经网络检测监控录像 IEEE电路和系统视频技术 2020年 30. 3 781年 794年 10.1109 / tcsvt.2019.2897980 刘 Z。 胡 J。 翁 l 杨 Y。 基于旋转区域的CNN船检测 《IEEE国际会议上图像处理(ICIP) 2017年9月 中国,北京 900年 904年 10.1109 / icip.2017.8296411 2 - s2.0 - 85045312496 邓 l 余 D。 深度学习:方法和应用 基金会和信号处理的趋势 2014年 7 3 197年 387年 10.1561 / 2000000039 2 - s2.0 - 84903724014 任 年代。 他 K。 Girshick R。 太阳 J。 更快的R-CNN:对实时检测与地区建议网络 IEEE模式分析与机器智能 2017年 39 6 1137年 1149年 10.1109 / tpami.2016.2577031 2 - s2.0 - 85019258369 气 l 李 B。 程ydF4y2Ba l 魏 W。 越南盾 l 宣 J。 京 H。 成威 G。 Ganmin X。 越南盾 W。 船舶目标检测算法基于改进R-CNN更快 电子产品 2019年 8 9 10.3390 / electronics8090959 2 - s2.0 - 85073383310 郭 h·W。 白 h . Y。 周 y . X。 李 W。 DF-SSD:深卷积神经网络嵌入式轻型遥感图像的目标检测框架 应用遥感技术杂志》上 2020年 14 1 10.1117/1. jrs.14.014521 黄 Y。 李 Y。 张 Z。 刘 r·W。 GPU-accelerated压缩和可视化的大型船舶海事物联网行业的轨迹 IEEE物联网 2020年 7 11 10794年 10812年 10.1109 / jiot.2020.2989398 黄 H。 太阳 D。 王 R。 朱 C。 刘 B。 基于改进YOLO网络意思船目标探测 数学问题在工程 2020年 2020年 10 6402149 10.1155 / 2020/6402149 Redmon J。 Divvala 年代。 Girshick R。 你只看一次:统一、实时检测 计算机视觉和模式识别 2015年 波士顿,美国 IEEE计算机协会 779年 788年 Fukun Bi F。 伯承朱 B。 明明扁 l 船的视觉搜索启发的计算模型检测在光学卫星图像 IEEE地球科学和遥感信 2012年 9 4 749年 753年 10.1109 / lgrs.2011.2180695 2 - s2.0 - 84861198145 聂 X。 杨 M。 刘 r·W。 深层神经网络强大的船舶在不同天气条件下检测 2019年IEEE Proceedigns智能交通系统会议(ITSC) 2019年10月 奥克兰,新西兰 47 52 程ydF4y2Ba X。 气 l 杨 Y。 罗 Q。 Postolache博士 O。 唐 J。 吴 H。 视频检测基础设施增强船舶自动识别和行为分析 《先进的交通工具 2020年 2020年 12 7194342 10.1155 / 2020/7194342 他 K。 张 X。 任 年代。 太阳 J。 空间金字塔池深卷积网络视觉识别 IEEE模式分析与机器智能 2015年 37 9 1904年 1916年 10.1109 / tpami.2015.2389824 2 - s2.0 - 84939247735 张 T。 张 X。 史 J。 魏 年代。 切除分离卷积神经网络高速SAR船舶检测 遥感 2019年 11 21 10.3390 / rs11212483 邵 Z。 吴 W。 王 Z。 杜 W。 李 C。 SeaShips:大规模精确标注数据集船舶检测 IEEE多媒体 2018年 20. 10 2593年 2604年 10.1109 / tmm.2018.2865686 2 - s2.0 - 85051831835 江 J。 傅 X。 秦 R。 王 X。 马 Z。 高速轻型舰船检测算法基于YOLOv4三个频道RGB SAR图像 遥感 2021年 13 10 Loffe 年代。 Szegedy C。 批规范化:加速深层网络培训通过减少内部协变量的转变 美国第32机器学习国际会议上,PMLR 2015年7月 法国里尔 448年 456年 Dubey 答:K。 耆那教徒的 V。 比较研究卷积神经网络的relu和leaky-relu激活功能 课堂讲稿电气工程 2019年 553年 873年 880年 10.1007 / 978 - 981 - 13 - 6772 - 4 - _76 2 - s2.0 - 85067235358 王 F。 江 M。 程ydF4y2Ba Q。 杨 年代。 李 C。 张 H。 王 X。 唐 X。 剩余的关注网络图像分类 《IEEE计算机视觉与模式识别会议(CVPR) 2017年7月 美国檀香山,嗨 3156年 3164年 林 M。 程ydF4y2Ba Q。 杨ydF4y2Ba 年代。 网络在网络 计算机视觉和模式识别 2014年 柏林,德国 施普林格 任 Y。 朱 C。 肖 年代。 在光学遥感图像小目标检测通过修改R-CNN更快 应用科学 2018年 8 5 10.3390 / app8050813 2 - s2.0 - 85047074472 余 G。 风扇 H。 周 H。 吴 T。 朱 H。 基于改进的SSD模型车辆目标检测方法 《人工智能 2020年 2 3 125年 135年 10.32604 / jai.2020.010501 Redmon J。 哈蒂 一个。 YOLOv3:增量改进 计算机视觉和模式识别 2018年 柏林,德国 施普林格 https://arxiv.org/abs/1804.02767 他 W。 谢 年代。 刘 X。 陆 T。 罗 T。 Sotelo m·A。 李 Z。 一种新型图像识别算法的无人地面车辆目标识别基于深度学习 《智能与模糊系统 2019年 37 4 4437年 4447年 10.3233 /出售jif - 179276 李 H。 程ydF4y2Ba l 李 F。 黄 M。 船舶卫星视频检测和跟踪方法基于多尺度特点和周围的对比分析 应用遥感技术杂志》上 2019年 13 2 10.1117/1. jrs.13.026511 2 - s2.0 - 85069503909 程ydF4y2Ba X。 李 Z。 杨 Y。 气 l 柯 R。 高分辨率的车辆轨迹提取,从空中视频去噪 IEEE智能交通系统 2021年 22 5 3190年 3202年 10.1109 / tits.2020.3003782 赵 l 史 G。 基于Douglas-Peucker压缩轨迹聚类方法和密度对海洋交通模式识别 海洋工程 2019年 172年 456年 467年 10.1016 / j.oceaneng.2018.12.019 2 - s2.0 - 85059304905