摘要：[目的]海岸监控与驾驶瞭望过程中,需要在远距离、多场景下对各种目标进行识别与跟踪。其中,船舶目标往往成像尺寸小、特征不明显,容易与其他目标混淆。为此,提出一种船舶检测方法ShipDet,通过设计专用骨干网络、改进特征提取过程、约束微观检测头,旨在改善上述问题。[方法]首先,通过融合自注意力模块Swin Transformer(STR)和经典CSPDarknet53网络,构造对微小目标高度敏感的特征融合提取网络,以增强小目标特征与环境的相关关系,关联船与航道、船与船、船与岸线,显著抑制不相关信息。考虑到数据集的船舶目标分布不均匀并且尺度变化较小的特点,保留2个检测层,减少模型参数并进一步提升模型性能。最后,使用SIoU损失函数(SCYLLA-IoU)来约束检测头,降低损失函数的回归自由度,提高检测的精度和抗干扰能力。[结果]在2023ships数据集上的验证结果表明,所提方法在船舶目标检测任务上表现较好,mAP@0.5达到92.9%,平均精度为92.1%,消耗参数量仅为35366310,整体检测性能优于其他算法。[结论]ShipDet方法将为海事监控、智能航行提供高效的支撑。

摘要：现有船舶目标检测算法大部分只是基于传统目标检测算法的优化改进,没有考虑船舶具有尺度长宽比例的外观特性,在多尺度目标检测中出现漏检误检问题。为了解决此问题,在YOLOXs基础上,提出一种尺度适应性感受野的船舶检测方法(SAF-YOLOX)。首先,对主干网络提取的不同特征层通过构建双向特征金字塔进行特征融合,增强每个尺度下的特征描述力;同时,设计自适应特征强化模块,抑制不同尺度的特征融合引入的冗余信息,弱化背景信息;然后在预测时,采用多路并行感受野的检测头,利用具有适应目标大小以及比例的感受野提取目标尺度适应性特征信息进行预测;最后,采用先筛选再分配的收敛感知策略,根据网络的收敛状态动态地分配样本,保证检测速度的同时提高检测精度。实验结果显示,所提方法在大型海事监控数据集SeaShips和MCShips上的平均检测精度分别达到93.21%和92.34%,与传统YOLOXs相比,分别提高了1.01%和1.09%。实验结果证明,所提方法利用尺度适应性感受野能实现多尺度船舶目标的高精度检测。

摘要：为提高无人船研究中的船舶辨识速度和精度,弥补海上船舶目标检测中船载自动识别系统(Automatic Identification System,AIS)和雷达图像的不足,提出一种基于改进卷积神经网络的船舶目标检测模型。设计多策略的卷积神经网络模型,利用船舶图像数据进行训练和测试,并将测试结果与基于区域提名和基于回归方法的卷积神经网络模型结果相对比。试验结果表明,改进的卷积神经网络模型的船舶检测准确率高于另外2种模型。

摘要：随着人工智能技术的进一步发展,深度学习方法在船舶检测领域发挥着重要作用。然而,深度学习算法出现的虚警和漏检,对船舶检测领域技术的应用存在一定的阻碍。虽然经典的深度学习方法能够有效处理单一背景的海面,但是当面对复杂背景之下的数据时,经典模型很容易得出岸上的虚警。并且在常规训练中,模型常常对一些显著特征过于关注,出现特征过拟合现象,当这些显著特征发生改变时极易出现漏检。在模型对输入进行前向传播的过程中,模型中不同网络层会对输入生成对应的映射,也就是特征图。充分利用特征图的语义信息和空间信息是一种有效减少虚警和漏检的方法。与传统模型相比,我们提出的特征图强化网络可以充分利用特征图生成自适应特征图掩码与水陆分割掩码,避免模型的特征过拟合与削弱复杂背景造成的影响,最终达到减少虚警与漏检的目的。在现有公共数据集上与算法模型的对比实验结果表明,本文所提出的方法的性能更为出色,超过了其他SOTA算法。

摘要：[目的]针对交通密集的港口、船舶聚集的渔船作业区以及船岸混合交通场景等复杂环境,提出一种基于YOLO-FNC模型的船舶检测方法。[方法]首先,设计一种基于FasterNet思想的神经网络模块FasterNeXt,并将该模块替换YOLO模型中的C3模块,在不影响准确性的条件下确保运行速度更快。其次,将NAM注意力机制融入网络结构中,通过利用稀疏的权重惩罚抑制特征权重确保权重的计算更加高效。最后,提出新的边界框回归损失以加快预测帧调整并增加帧回归率,提升网络模型收敛速度。[结果]实验结果表明,在自建的复杂场景下船舶数据集进行检测实验,与YOLOv5s算法相比,所提方法的mAP@0.5提升6.35%,参数量减少9.74%,计算量减少11.39%。[结论]该检测方法有效实现了轻量化、高精度的船舶检测。