摘要：针对船舶智能航行场景复杂以及获取的图像信息中障碍物尺度变化较大的问题,提出一种基于YOLO (you only look once)算法的多尺度目标检测算法.首先设计了一种自适应特征融合模块,使得用于检测的特征图具有各尺度的强语义信息;然后设计了新的损失函数,以缓解样本分布不均匀问题,优化训练过程;最后通过水面图像仿真实验表明:该算法在多尺度检测上优势明显,既提高了目标检测精度,尤其是小目标的精度提升了34%左右,又未明显增加推理时间和参数量,具有高实时性.

摘要：为了探测水面无人艇周围环境中的障碍物种类及其具体方位,为无人艇的自主航行提供可靠的数据支撑,论文改进了一种常用于水面目标检测的基于深度学习卷积神经网络的Cascade RCNN(Region Convolutional Neural Network)算法。论文方法针对检测器训练过程中的不平衡问题,在原算法的基础上,集成了三个新的组成部分:交并比平衡采样、平衡特征金字塔和平衡的L1范式损失,分别在样本、特征和目标三个层次上减少了不平衡。得益于整体平衡的设计,该算法在舰船图像数据集上表现良好,平均检测精度达到了67.8%,平均单张图像耗时为59.45ms,较原算法改进效果明显,可为无人艇的智能感知提供支撑,提高无人艇自主航行的安全性。