常見(jiàn)的目標(biāo)檢測(cè)模型由于模型參數(shù)量較大,往往難以部署在無(wú)人機(jī)、衛(wèi)星等移動(dòng)嵌入式設(shè)備上。為了對(duì)船只進(jìn)行實(shí)時(shí)監(jiān)測(cè),將目標(biāo)檢測(cè)模型部署在計(jì)算能力較弱的設(shè)備上,對(duì)基于計(jì)算機(jī)視覺(jué)的衛(wèi)星圖像船只目標(biāo)檢測(cè)方法進(jìn)行研究。針對(duì)衛(wèi)星圖像中船艦的形狀長(zhǎng)寬比例特點(diǎn),采用K-means++聚類(lèi)算法選取初始的錨點(diǎn)框;接著對(duì)模型進(jìn)行多尺度訓(xùn)練,將多尺度金字塔圖像作為模型訓(xùn)練的輸入;將YOLO-v3目標(biāo)檢測(cè)算法的批歸一化層的尺度因子作為通道重要性的度量指標(biāo),對(duì)YOLO-v3模型進(jìn)行剪枝壓縮。實(shí)驗(yàn)結(jié)果表明,采用的模型剪枝和壓縮方法能有效地對(duì)模型進(jìn)行壓縮,模型的參數(shù)量減少了91.5%,模型檢測(cè)時(shí)間縮短了60%,極大地減少了系統(tǒng)計(jì)算性能的開(kāi)銷(xiāo)。當(dāng)采用的初始錨點(diǎn)框個(gè)數(shù)為6個(gè)時(shí),平均準(zhǔn)確率（mAP）達(dá)到77.31%,滿(mǎn)足了衛(wèi)星圖像船艦實(shí)時(shí)性檢測(cè)的需求。 

【文章來(lái)源】：液晶與顯示. 2020,35(11)北大核心CSCD

【文章頁(yè)數(shù)】：9 頁(yè)

【部分圖文】：

多尺度圖像金字塔

YOLO-v3算法將目標(biāo)區(qū)域檢測(cè)與物體類(lèi)別預(yù)測(cè)看作回歸問(wèn)題。YOLO-v3算法的特征提取網(wǎng)絡(luò)為Darknet53。Darknet53包含52個(gè)卷積層，用于對(duì)圖像進(jìn)行特征提取，為了防止深層網(wǎng)絡(luò)訓(xùn)練過(guò)程中發(fā)生模型退化，YOLO-v3借鑒了ResNet[12]的做法，在層與層之間進(jìn)行了鏈路的連接。最后一層為1個(gè)全連接層。YOLO-v3通過(guò)單個(gè)神經(jīng)網(wǎng)絡(luò)，即可實(shí)現(xiàn)對(duì)圖像中目標(biāo)的定位和分類(lèi)。Darknet-53網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。Darknet-53網(wǎng)絡(luò)對(duì)圖像進(jìn)行了5次下采樣，每次采樣的步長(zhǎng)為2。其中卷積模塊的結(jié)構(gòu)如圖3。

YOLO-v3算法假設(shè)目標(biāo)散落在圖像中各個(gè)區(qū)域，因此將圖像劃分為多個(gè)子區(qū)域。接著對(duì)各個(gè)區(qū)域預(yù)測(cè)多個(gè)錨點(diǎn)框（Bounding Box），并求出每個(gè)邊框的置信度（Confidence）。置信度分?jǐn)?shù)的大小，反映了錨點(diǎn)框內(nèi)存在目標(biāo)物體的準(zhǔn)確程度。置信度定義如下式：式中，Pr(Object）表示錨點(diǎn)框中存在目標(biāo)圖像的概率大小。IoU表示預(yù)測(cè)的目標(biāo)框與真實(shí)的標(biāo)注框之間的交并比，IoU的計(jì)算公式如下：

【參考文獻(xiàn)】：
期刊論文
[1]艦船目標(biāo)識(shí)別技術(shù)研究進(jìn)展[J]. 馬嘯,邵利民,金鑫,徐冠雷.  科技導(dǎo)報(bào). 2019(24)
[2]無(wú)人機(jī)海監(jiān)測(cè)繪技術(shù)應(yīng)用下艦船遙感圖像目標(biāo)檢測(cè)[J]. 安潔玉,丁斌芬.  艦船科學(xué)技術(shù). 2019(24)
[3]改進(jìn)的YOLO模型及其在艦船目標(biāo)識(shí)別中的應(yīng)用[J]. 馬嘯,邵利民,金鑫,徐冠雷.  電訊技術(shù). 2019(08)
[4]基于YOLO和嵌入式系統(tǒng)的車(chē)流量檢測(cè)[J]. 馬永杰,宋曉鳳.  液晶與顯示. 2019(06)
[5]基于Faster-RCNN和多分辨率SAR的海上艦船目標(biāo)檢測(cè)[J]. 胡炎,單子力,高峰.  無(wú)線(xiàn)電工程. 2018(02)



本文編號(hào)：3601700