基于改进YOLOv3的海上图像舰船目标检测算法

摘要

船舶的准确识别是水上智能交通的关键技术。同时，也为水上交通安全控制提供了判断依据。本文提出了一种基于改进的You Only Look Once version 3 (YOLOv3)的水中船舶检测方法，称为Feature Attention, Feature Enhancement YOLOv3 (AE-YOLOv3)。通过引入注意机制构建特征注意模块，嵌入Darknet-53中进行特征重标定，提高了模型在复杂导航背景下的特征提取能力。针对特征融合过程中低层特征语义信息不足的问题，构建特征增强模块并应用于特征融合部分，增强相应特征层的接受域大小和特征提取网络的关联度。在公共SeaShips数据集上进行了实验。实验表明，该方法的检测准确率高达98.72%，优于其他主流船舶识别模型，充分验证了该方法在水上交通船舶检测中的优越性。

1.介绍

随着世界航运业的发展，船舶数量不断增加，船舶正朝着大型化、高速化的方向发展，航行安全问题也越来越重要。这客观上促进了船舶导航和自动驾驶技术的发展[1.].为了提高船舶航行的效率、可靠性和安全性，航运业目前正逐步向船舶自动驾驶仪、自动避让、自动上下坞的智能化、全自动化方向发展，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。水面舰船目标检测是智能导航的关键技术之一。准确识别水域中的船舶具有重要意义。这是水上交通安全监测与管理的重要组成部分，为水上交通管理与控制提供了依据[6.–8.］．

在船舶航行过程中，船舶目标检测可以帮助海事参与者采取措施，避免潜在的水上交通事故[9]在将卷积神经网络应用于船舶目标检测之前，传统的船舶检测算法主要包括区域选择、组合特征提取和背景纹理建模[10］．近年来，随着计算机视觉的快速发展，深度学习算法在目标检测和图像处理领域取得了良好的效果[11］．Ren等人提出了一种改进的Faster R-CNN (Faster Region-based Convolutional Neural Network)算法用于舰船目标检测，提高了目标检测的准确率[12,13］．当R-CNN更快地执行目标检测时，通过特征提取的特征映射用于使用区域提议网络（RPN）生成区域提议，并且为每个图像生成300个区域提案，而每个感兴趣区域（ROI）被做到通过ROI池化层生成固定大小的特征图，最后通过完全连接的网络歧视，这大大增加了网络的计算时间和复杂性。Guo等人。提出了一个深度单次多杆探测器（DF-SSD）框架，提高了检测精度[14]，但SSD算法通过多层卷积预测输出，语义信息丢失过多，不利于小目标的检测。Huang等对不同水域的轨迹压缩和可视化进行了对比实验，应用于海事智能交通管理和避碰[15]为船舶检测跟踪系统的设计提供了理论依据。

Ship-YOLOv3算法是由Huang等人提出的，它通过改变YOLOv3网络结构、减少一些卷积运算和增加跳转连接机制来提高检测精度[16］．Redmon等人提出了目标检测的YOLO算法[17，它引领了学习热潮。然而，现有的研究在将YOLO算法应用于船舶检测时，往往力求提高整体检测精度，而忽略了实际存在的非常小的目标[18］．YOLO算法只预测一组类别概率值。这给研究人员带来了许多困难。随着水路交通流量密度的增加，水路上需要识别的船舶类型也越来越多。在复杂的导航背景下，对极小尺寸船舶的检测精度较低，模型的泛化能力较差。在这种情况下，一种能够及时检测到所有船只的算法就显得尤为重要[19,20.］．

通过分析现有的舰船目标检测算法，我们发现YOLOv3比YOLOv1和YOLOv2具有更大的优势。详细内容如下：YOLOv3为大型、中型和小型对象提供了三种类型的建议框。13 × 13用于检测大型物体，26 × 26用于检测介质对象，52 × 52用于检测小物体。此外，1 × 1卷积替换完全连接的层，多尺度特征贴图与1卷积 × 1卷积得到相应大小的检测特征图，在保持当前特征图大小不变的情况下，增加了网络的非线性特性，实现了特征信息的集成。由于只检测到置信度更高的盒子，因此计算时间更快，对小目标的检测也更友好。在YOLOv3的基础上对YOLOv4进行了改进，提高了网络性能。然而，在实际实验中，我们认为只有一个GPU卡；约洛夫3被选为这项工作。与R-CNN系列和SSD算法相比，该算法具有更高的精度和更快的计算速度。基于对检测精度和速度的要求，我们选择了YOLOv3算法来设计船舶检测框架，因为它能够准确地定位船舶在海事图像中的位置。

主要学术贡献如下:(1)提出了AE-YOLOv3水船检测算法，实现了对船舶目标的端到端检测。同时，针对船舶数据集中数据过少的问题，通过数据增强的技术手段对数据集进行扩展，以避免过拟合的发生。(2)构建基于注意机制的特征注意模块，嵌入AE-YOLOv3的特征提取网络，重新标定特征通道，增强特征地图的空间连接[21］．(3)然后，基于多尺度特征融合的思想构建特征增强模块，对特征融合部分进行改进，并利用扩张卷积增强网络层的接受域，解决了网络深度过深导致特征消失的问题[22］．(4)生成边界框并准确预测船舶位置，将船舶数据集在完整的框架上进行训练，并与主流船舶检测算法进行对比，验证AE-YOLOv3算法的有效性，为水上交通安全提供理论依据。

2.数据描述

Shao等人提出了一个新的大规模船舶数据集。它被称为SeaShips，用于训练和评估船舶目标检测算法[23]。SeaShips数据集由7000幅图像组成。所有这些图像都是从部署在海岸线的视频监控系统中的监控摄像机获取的约7000个真实视频片段中拍摄的。它们经过仔细选择，以涵盖所有可能的成像变化，例如不同的比例、船体剖面、照明、视点、背景和遮挡。所有图像均使用船型标签和高精度边框框进行注释。在实践中，海船数据集有望推动船舶检测的研究和应用。它包括6个船型：矿石船、散货船、普通货船、集装箱船、渔船和客船。每个船舶类别中的图像数量如表所示1.．其中，混合类型表示图像中船舶相互遮挡的六类混合类别。

为了改善框架的概括，我们使用数据增强技术通过应用通用增强功能来生成更多船只图像[24］．数据集被随机缩放并旋转至14000。在训练过程中，随机选取90%的船舶图像作为训练数据集，其余10%作为测试数据集。图中显示了六种类型的船1.．

3.方法

AE-YOLOv3算法不需要预先生成感兴趣区域，而是直接以回归的方式对网络进行训练，利用K均值算法对训练样本的边界框进行聚类，在3个尺度上预设3组预定义的边界框，并进行后续定位预测首先，对原始416进行特征提取 × 416通过特征提取网络输入图像，然后将特征向量送入特征金字塔网络（FPN）结构，在尺度上生成3个网格区域，分别为13个 × 13, 26 × 26和52 × 每个网格区域预测三个边界框。总共（52 × 52 + 26 × 26 + 13 × 13) × 3. = 生成了10647个边界框N在每个边界箱中预测，以及矢量的组成N如下式所示：

向量中的前4个元素N表示与边界框相关的4个坐标。最终预测结果边界框中心到特征图左上角距离的计算公式见(2.)及(3.)，预测边界框的长度和宽度的计算公式如所示(4.)及(5.)：

他们之中，表示S形函数，和表示边界框所属的网格相对于图片左上角的偏移量，和表示预定义边界的长度和宽度，和表示最终预测结果边界框的中心到图像左上角的距离和表示预测边界框的长度和宽度。表示预测框中对象的概率值。剩下的N向量中的值N表示属于其中一个的预测对象的分数N类别，由s形函数得到。最后，对生成的预测帧进行非最大抑制，得到最终的预测结果。AE-YOLOv3算法的整体检测过程如图所示2.它由三部分组成：Darknet-53特征提取、多尺度特征融合和多尺度检测分支结构。

AE-YOLOv3的目标检测过程如下：第一步，通过嵌入特征注意模块的Darknet-53对训练数据进行特征提取；第二步，通过改进的特征融合部分增强目标特征的空间关联度，提高小目标的提取能力第三步是生成边界盒和船舶位置预测，边界盒的计算如所示(2.)–(5.)然后，应用非最大值抑制（NMS）算法得到最终的船舶标志箱。

在图2., Res-FAN表示的残余结构NRes-FA模块，Res-FA表示嵌入特征注意模块的残差结构。Darknetconv2d_BN_Leaky (DBL)由卷积、批处理归一化(BN) [25]，和泄漏整流线性单元（ReLU）[26］．

由于舰船图像背景复杂，尺寸不规则，使得YOLOv3算法的识别难度增大。同时，针对YOLOv3算法对小目标识别的不足，考虑到识别精度和速度问题，设计了基于多尺度特征注意（FA）的AE-YOLOv3算法模块和功能增强（FE）模块。FA模块嵌入到Darknet-53网络中，用于特征通道的权重重新分配。由于Darknet-53网络使用大量剩余连接，因此在添加特征注意模块时需要调整结构。同时，特征增强模块设计用于嵌入特征融合n部分增强了提取小型舰船目标特征信息的能力，有限元模块解决了由于卷积运算导致高级特征映射变小的问题。

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然后通过比例尺操作将计算得到的权重加权到原始船舶图像特征图，增强多尺度目标特征提取能力，最终输出对应的特征图。③输出Darknet-53网络的3个特征图作为特征融合部分的输入;然后，通过特征增强模块提高了对小目标舰船的检测性能。

3.1. 黑暗-53结构

Darknet-53特征提取器使用了一系列1 × 1和3 × 3的卷积层，每个卷积层连接两个神经网络结构单元:Batch Normalization和Leaky ReLU;两个卷积层构成一个残差卷积群。Darknet-53中有5个残差卷积组，残差卷积组采用跳层连接的方法，形成残差块。经过多次卷积运算，可将416 × 416 × 3的图像输出为13 × 13 × 1024的图像。在提高算法计算速度的同时，降低了网络的复杂度，避免了过拟合的发生。

3．2.Feature Attention (FA)模块

与人类视觉系统一样，注意机制有意识地从大量目标信息中获取最有用的信息，可以学习有用的特征，并抑制无用的特征。通过对神经网络传输的特征通道增加不同的权值，网络将关注权值较大的通道进行参数更新。在前向传播过程中，重要的特征通道占据了较大的比例，最终检测输出的图像也更加突出，显示出网络的焦点。Wang通过对特征网络的研究，提出了一种利用注意机制的卷积神经网络[27].随着网络的深入，注意力模块将自适应地学习从图像中提取有用信息。随着注意机制被越来越多的研究者所使用，它对网络性能的改善有着积极的作用。

在使用YOLOv3算法进行船舶检测时，研究人员通常侧重于提高整体精度，而忽略了水域中的极小型船舶，这在实际应用中存在一定的安全风险。目前，越来越多的货物在水上运输，船舶惯性较大。因此，提高检测精度可以对距离极小的船舶进行提前判断，避免碰撞事故的发生。针对上述问题，本文构造了一个特征注意（FA）模块来重新校准特征通道，以提高网络的特征提取能力。结构如图所示3.， FC表示完全连接，ReLU表示整流线性单元。

特征注意模块的具体步骤如下：首先，卷积1 × 1和3 × 在全局平均池前增加了3，实现了跨通道信息集成，增强了不同尺度船舶图像的空间关联性和多尺度特征提取能力。然后，通过全局平均池，将特征地图的全局空间信息转化为一维向量求和，得到特征地图的全局信息。全局平均池是Lin等人提出的一种特殊池[28］．它通常用于聚合空间信息，对整个feature map进行平均池化，最终得到一个值。具体公式如下:

他们之中，为特征图全局平均池化后的向量和，H和W输入特征图的宽度和高度，和 价值是多少Cth通道在(我,J）;然后，特征图的大小从 来 ．

为了加强特征通道之间的空间连接，获取不同通道特征图的权值，需要进行以下处理 :

他们之中，是对应要素图的权重， 和 为全连通层的权矩阵，是ReLU函数，和是s型函数。

最后，重新校准特征通道，然后计算权重乘以输入特征图 ．具体公式如下: 在哪里是系统的输出矩阵C重量校准后的第th通道。

3．3.特征增强模块

当采用YOLOv3算法进行船舶检测时，特征融合部分采用自顶向下的融合方法，由于分层卷积，高层特征层对输入图像小目标特征信息的敏感性大大降低，学习能力不足，即使原始网络进行整合，也会导致对于语义信息强的高层特征层和底层特征层，无法避免网络对小目标检测能力不足的问题该模块直接作用于YOLOv3算法的特征融合部分，增加了卷积层的感受野和输出特征层的语义信息。

本文采用扩张卷积，通过使用不同大小的传统卷积和不同的扩张卷积步骤来构造特征增强（FE），可以增加卷积层的感受野，但不增加训练参数的数量模块；嵌入到特征融合过程中。在通道纬度，增强了网络之间的特征相关性，从而提高了小目标检测的性能。结构如图所示4.．

Branch1，Branch2和Branch3是FE模块的三个分支结构。在输入船舶图像通过DarkNet-53的剩余模块之后，它将输出5个特征映射，其中输出特征映射3,4和5将是下一个模块的输入（见图2.).由于特征融合部分采用自顶向下的融合方式，FE模块嵌入特征融合部分后，branch1和branch2的输入为高级输出特征映射，branch3的输入为相邻的低级输出特征映射，concat操作后，实现特征融合目标。计算特征融合后的三个多尺度输出特征图公式如下：

他们之中， 表示branch1、branch2、branch3对应的卷积组合;和表示Darknet-53的输出特征图;concat[]是特征连接操作。Branch1使用1 × 1的传统卷积和3 × 3的扩张卷积，步长为2;Branch2使用3 × 3的传统卷积和大小为3 × 3、步长为3的扩张卷积;branch3使用反卷积操作，在一定程度上解决了由于卷积操作导致高层特征图变小的问题。F_1.为branch1的计算结果，计算公式如(10）;F_2.是卷积不同尺寸和步骤的结果，以及计算公式F_2.载于(11）;F_3.是反褶积的结果，具体计算公式见(12)．

他们之中，是卷积运算，为特征增强模块当前层的输入特征图，B是传统的卷积，A.是扩张卷积，为特征模块下一层输入特征图的大小，K是卷积核的大小，s是步长，和是边界填充（本文中为0）。最后 , ,和是连接。

4.实验

所提出的算法已应用于船舶目标检测，这已在上述章节中详细描述。本文的实验是在谷歌实验室进行的。GPU版本为NVIDIA Tesla P100，包含16个 GBRAM，模拟平台是Python上的PyTorch框架（3.7版）。

为了验证本文的AE-YOLOv3算法的优越性，我们在相同的实验环境下进行了水平和垂直方向的对比实验，并以平均平均精度(mAP)作为评价指标，包括精度和查全率。精度和查全率的计算公式如下: 其中TP为AE-YOLOv3检测到的舰船数量，FP为错误检测到的舰船目标，FN为未检测到的舰船目标数量。mAP值越大，算法的目标检测精度越好。mAP的计算公式如下: 在哪里精度,R为回忆，P-R曲线的面积(见图5.)是mAP的大小。

对比实验在相同的实验环境下进行。本文提出的算法，更快的基于区域的卷积神经网络（更快的R-CNN）[29]、单镜头检测(SSD) [30.]，而你只看一次版本 3（约洛夫3）[31用于舰船目标探测实验。当模型停止收敛时，训练终止。培训完成后，调用权重文件并基于Faster R-CNN、SSD、YOLOv3、AE-YOLOv3进行测试。同时对算法的帧/秒(FPS)进行测试，表示每秒可以处理的图片数量。试验结果如表所示2.．

根据表2.，本文提出的水运船舶检测算法的检测精度高于主流检测算法，达到了98.72%，提高精度的主要原因是YOLOv3算法优良的网络设计，增加了特征注意模块和特征增强性能特征融合部分的性能。但是，它不如FPS中的原始YOLOv3算法；主要原因是FE模块使用反卷积来提高高级特征图的分辨率，这增加了计算量，导致模型速度减慢。考虑到检测精度和速度方面，本文提出的算法能够满足舰船目标检测的要求，未来的研究将以减少FPS为目标，在保证精度的同时，解决网络中的计算和信息冗余问题，提高模型的检测精度和速度。

为了更好地体现本文模型的优越性，分别计算了四种算法的召回率和准确率，并绘制了相应的P-R曲线，如图所示5.．低查全率意味着海洋图像中舰船目标较少，精度代表算法的检测精度。实验表明，本文提出的算法在准确率和查全率上都有了明显的提高，能够正确检测出更多的舰船目标，证明了本文算法在舰船检测中的优越性。

数字6.展示了AE-YOLOv3算法与目前三种主流算法的mAP比较图，并涵盖了SeaShips数据集的各个类别。本文将评分阈值设为0.6;也就是说，被检测的舰船目标与边界盒重合到60%，即认为检测成功。其中AE-YOLOv3对6种舰船的平均检测准确率高达98.72%，比原始YOLOv3算法提高了2.83%，比SSD算法提高了3.27%，比Faster R-CNN提高了6.89%。对于每一类，AE-YOLOv3算法相对于其他三种算法，小目标渔船的AP值都有显著增加，说明添加特征注意(FA)模块进行特征通道标定，可以提高对小目标的检测。另一个值得注意的变化是矿石运输船类别;通过对SeaShips数据集的观测，可以发现含有矿石载体的图像目标与背景混合率较高，背景干扰较大。而AE-YOLOv3算法的载矿类AP值分别比其他3种算法高12%、3%和1%。主要原因是嵌入的有限元模块可以强化高级特征层的特征信息，增加了模型对目标信息的掌握能力，避免了错误识别。

从表中可以看出3.与其他三种算法相比，精度和查全率都有显著提高，说明AE-YOLOv3算法的漏靶数显著减少(船舶图像判定为非船舶图像)，性能显著提高。良好的目标探测器性能可以为海事人员提供参考，避免因海事人员疏忽造成船舶碰撞的危险[32］．更具体地说，将AE-YOLOv3算法应用到视频跟踪系统中，将在即将发生碰撞时发出预警，大大降低了海上事故发生的概率，促进了智能航运的发展。

目视检查对比如图所示7.．展示了使用相同训练策略的不同算法的检测结果。其中第一行是AE-YOLOv3算法的检测结果，第二行是原始YOLOv3算法的检测结果，第三行是SSD算法的检测结果，第四行是Faster R-CNN算法的检测结果。根据图7.与其他三种算法相比，AE-Yolov3具有显着的改善。AE-YOLOV3检测到的船舶类别的数量明显多于其他三个。特别地，小目标的检测效果显着提高，并且封闭目标的识别率也在更高，而原始的Yolov3，SSD和更快的R-CNN具有许多错过的目标。从AE-YOLOV3检测多个目标和小目标的第一列中的比较可以看出它可以看出，原始YOLOV3，SSD和R-CNN的良好结果都错过了检测和低精度;从第二列和AE-YOLOV3的第三列之间的比较可以看出，AE-YOLOV3对检测到遮挡靶标的良好影响。

从上面讨论的情况下，本文的AE-YOLOV3对小型目标，目标遮挡和不完整的目标信息具有良好的检测效果，并且可以用合适的边界盒圈出船舶目标，特别是对于小型渔船。效果显着改善;它从特征注意模块和功能增强模块的设计中受益。通过特征提取网络的特征通道校准，加强了空间连接。同时，特征融合部分的FE模块加强了高级网络之间的相关性和分辨率，并增强了特征提取能力。优秀的目标探测器非常重要。AE-YOLOV3的出色表现可以为海事局和船舶设计提供参考依据，并为海上相关人员提供判断基础，以提前控制船舶导航，以避免水上交通事故，以达到效果安全导航。

利用视频监控技术对船舶进行自动监控在海上安全和海上运输、渔业管理、船舶交通监控等方面发挥着重要作用[33–35］．船舶跟踪完全基于船舶检测的结果。如果检测到的目标是错误的，那么在此基础上后续的目标跟踪也会出错。对于目标检测算法来说，目前很难达到很高的精度，遮挡一直是一个难以解决的问题。本文的改进算法很好地解决了这一问题，为后续的水上船舶跟踪提供了理论依据。

5.结论

船舶目标检测与跟踪是智能船舶发展的重要组成部分，它要求船舶在复杂的通航环境中克服各种困难，避免水上交通事故的发生。本文提出了一种基于YOLOV3的船舶检测算法模型，实现了AE-YOLOV3ted分三步进行。第一步是通过引入注意机制构建特征注意模块，并将其嵌入Darknet-53进行特征重新校准。第二步是构建特征增强模块，并将其应用于特征融合，以增强相应特征层的感受野大小和特征的相关性特征提取网络。第三步是通过预测分支结构输出多尺度特征图，以获得最佳检测帧。

虽然我们的方法在船舶目标检测中取得了良好的性能，但这项工作仍有一些局限性;我们可以进行一些研究以提高未来算法的性能。首先，我们认为，跳钓数据集的船只都处于水平位置，并且这项工作是在数据集的跳钓中进行的;因此，有必要将多个船舶图像作为训练数据集收集到未来。其次，在良好的环境中收集海上图像（没有风暴，雨和雪的干扰），因此在复杂环境下检测船舶物体将成为未来的重要研究。最后但并非最不重要的是，监控视频的形象将由于船舶航行而被振动模糊，因此测试我们在振动背景下的模型的性能将是一个很好的探索。

数据可用性

用于支持本研究结果的数据可根据要求从相应作者处获得。

的利益冲突

作者声明本文的发表不存在利益冲突。

致谢

本研究得到了中国国家自然科学基金（61463020和61763015）的支持。

参考文献

1. 刘瑞华、聂建军、加格、熊志强、张勇和侯赛因，“数据驱动轨迹质量改进，促进6G海洋物联网系统中的智能船舶交通服务，”IEEE物联网期刊，第8卷，第2期7，第5374-5385页，2021年。浏览：出版商的网站|谷歌学者
2. Y.Gui，X.Li和L.Xue，“用于SAR船舶检测的多层融合光头探测器，”传感器（巴塞尔，瑞士）第19卷第2期5, 2019。浏览：出版商的网站|谷歌学者
3. B.Wu，Y.H.Tang，X.P.Yan和C.G.Soares，“RoPax船舶运输电动车辆安全管理的贝叶斯网络建模，”可靠性工程与系统安全，第209卷，第107466条，2021年。浏览：出版商的网站|谷歌学者
4. 牟建民，陈鹏飞，何艳霞等，“繁忙水道的船舶交通安全:深圳西部港口事故案例研究”，事故分析与预防，第123卷，第461-46812019页。浏览：出版商的网站|谷歌学者
5. Y. Yang and Zhen，“基于深度学习和虚拟检测线的船舶流统计方法研究”IEEE第八届国际信息技术与人工智能联合会议论文集，第280-285页，中国重庆，2019年5月。浏览：谷歌学者
6. R.G.Wright，“使用多传感器模式的智能自主船舶导航，”国际海上航行和海上运输安全期刊，第13卷，第3期，第503-510页，2019年。浏览：出版商的网站|谷歌学者
7. 吴斌，郑廷涛，梁涛，“基于模糊逻辑的智能导航策略动态决策系统，”海洋工程，第197200卷。浏览：谷歌学者
8. “基于深度学习框架的智能船舶识别与跟踪系统”，国家自然科学基金重点项目，项目资助:国际海上航行和海上运输安全期刊，第13卷，第2期4，第699-705页，2019。浏览：出版商的网站|谷歌学者
9. 邵志军，王立军，王志军，杜文武，“监控视频中船舶检测的显著性感知卷积神经网络，”IEEE视频技术电路和系统交易，第30卷，第2期3, pp. 781-794, 2020。浏览：出版商的网站|谷歌学者
10. 刘志军，胡建军，翁磊，杨宇宇，“基于旋转区域的CNN船舶检测”，《中国海洋大学学报(自然科学版)》IEEE国际图像处理会议录（ICIP），页900-904，北京，中国，2017年9月。浏览：出版商的网站|谷歌学者
11. L.Deng和D.Yu，“深度学习：方法和应用，”信号处理的基础和发展趋势，第7卷，第3期，第197-387页，2014年。浏览：出版商的网站|谷歌学者
12. Ren S.， K. He, R. Girshick, and J. Sun，“Faster R-CNN:基于区域提议网络的实时目标检测”，模式分析与机器智能学报，卷。39，没有。6，pp。1137-1149,2017。浏览：出版商的网站|谷歌学者
13. “基于改进的快速R-CNN的舰船目标检测算法，”电子学，第8卷，第9期，2019年。浏览：出版商的网站|谷歌学者
14. H. W. Guo，H. Y. Bai，Y. X. Zhou和W. Li，“DF-SSD：一个深度卷积神经网络的嵌入式图像嵌入式嵌入式轻量级对象检测框架，”应用遥感杂志，第14卷，第1期，2020年。浏览：出版商的网站|谷歌学者
15. “基于gpu加速的船舶轨迹压缩与可视化技术，”IEEE物联网期刊，第7卷，第5期11, pp. 10794-10812, 2020。浏览：出版商的网站|谷歌学者
16. 黄H，孙D，王R，朱C和刘B，“基于改进的YLO网络的船舶目标检测，”工程数学问题，第2020卷，文章ID 6402149，10页，2020年。浏览：出版商的网站|谷歌学者
17. J.Redmon，S.Divvala，R.Girshick等人，“你只看一次：统一的实时目标检测，”计算机视觉与模式识别，IEEE计算机学会，波士顿，马萨诸塞州，美国，2015年。浏览：谷歌学者
18. F.Fukun Bi，B.Bocheng Zhu和L.Ming Bian，“光学卫星图像中船舶检测的视觉搜索启发计算模型，”IEEE地球科学与遥感通讯，第9卷，第5期。4, pp. 749-753, 2012。浏览：出版商的网站|谷歌学者
19. “基于深度神经网络的舰船鲁棒性检测”，国家自然科学基金面上项目2019 IEEE智能交通系统大会(ITSC)论文集，第47-52页，新西兰奥克兰，2019年10月。浏览：谷歌学者
20. X. Chen，L. Qi，Y. Yang等人，“基于视频的自动船舶识别和行为分析的基础设施增强，”先进运输杂志，第7194342号，12页，2020年。浏览：出版商的网站|谷歌学者
21. “基于深度卷积网络的视觉识别的空间金字塔池”，“基于深度卷积网络的视觉识别”，模式分析与机器智能学报，第37卷，第9期，第1904-1916页，2015年。浏览：出版商的网站|谷歌学者
22. 张涛，“基于深度可分离卷积神经网络的高速SAR舰船检测”，遥感，第11卷，第5期。21日,2019年。浏览：出版商的网站|谷歌学者
23. Shao Z.， W. Wu, Z. Wang, W. Du, and C. Li，“船舶检测的大规模精确注释数据集”，IEEE多媒体汇刊，第20卷，第2期。10, pp. 2593-2604, 2018。浏览：出版商的网站|谷歌学者
24. 江，傅X，秦R，王X和马Z，“基于YOLOv4的三通道RGB SAR图像高速轻型船舶检测算法，”遥感，第13卷，第10期，2021年。浏览：谷歌学者
25. S.Loffe和C.Szegedy，“批量标准化：通过减少内部协变量变化来加速深层网络训练”，年第32届国际机器学习会议记录，页448-456，里尔，法国，2015年7月。浏览：谷歌学者
26. A.K.Dubey和V.Jain，“卷积神经网络的relu和泄漏relu激活函数的比较研究，”电气工程课堂讲稿，第553卷，第873-880页，2019。浏览：出版商的网站|谷歌学者
27. 王菲，蒋明明，陈清清等，“用于图像分类的剩余注意网络”，年IEEE计算机视觉和模式识别会议记录（CVPR），第3156-3164页，夏威夷，美国，2017年7月。浏览：谷歌学者
28. 林敏、陈琪、严诗，《网络中的网络》，计算机视觉与模式识别，斯普林格，柏林，德国，2014年。浏览：谷歌学者
29. 任勇，朱超，肖三，“基于改进的R-CNN的光学遥感图像小目标检测，”应用科学，第8卷，第5期，2018年。浏览：出版商的网站|谷歌学者
30. 余光，范浩，周浩，吴涛，朱浩，“基于改进SSD模型的车辆目标检测方法”，人工智能杂志，第2卷，第3期，第125-135页，2020年。浏览：出版商的网站|谷歌学者
31. J.Redmon和A.Farhadi，“YOLOv3：一个渐进的改进，”计算机视觉与模式识别，春天，柏林，德国，2018年，https://arxiv.org/abs/1804.02767．浏览：谷歌学者
32. “基于深度学习的无人机目标识别算法研究”，中国航空航天大学学报(自然科学版)智能与模糊系统杂志CHINESE，第37卷，第2期4, pp. 4437-4447, 2019。浏览：出版商的网站|谷歌学者
33. 李浩，陈立林，李福林，黄明明，“基于多尺度显著性和环境对比度分析的卫星视频舰船检测与跟踪方法，”应用遥感杂志，第13卷，第2期2、2019。浏览：出版商的网站|谷歌学者
34. 陈旭东，李志强，祁磊，柯锐，“航测视频高分辨率车辆轨迹提取与去噪”，IEEE智能交通系统汇刊第22卷第2期5, pp. 3190-3202, 2021。浏览：出版商的网站|谷歌学者
35. 赵磊，史国光，“基于密度和压缩的航迹聚类识别方法，”海洋工程，第172卷，第456-467页，2019。浏览：出版商的网站|谷歌学者

版权

版权所有©2021 Dehai Chen等人。这是一篇根据知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。