發(fā)布時間：2021-01-05 08:18

　　為提升水上交通安全監(jiān)管的智能化水平,進一步提高基于深度學(xué)習(xí)的船舶目標(biāo)檢測算法的定位精度和檢測準(zhǔn)確率,在傳統(tǒng)YOLOv3算法基礎(chǔ)上,提出用于船舶目標(biāo)檢測的增強YOLOv3算法。首先,在網(wǎng)絡(luò)預(yù)測層引入預(yù)測框不確定性回歸,以預(yù)測邊界框的不確定性信息;然后,使用負對數(shù)似然函數(shù)和改進的二值交叉熵函數(shù)重新設(shè)計損失函數(shù);其次,針對船舶形狀使用K均值聚類算法重新設(shè)計先驗錨框尺寸并平均分配到對應(yīng)預(yù)測尺度;在網(wǎng)絡(luò)訓(xùn)練階段,使用數(shù)據(jù)增強策略擴充訓(xùn)練樣本數(shù)量;最后,使用加入高斯軟閾值函數(shù)的非極大值抑制（NMS）算法對預(yù)測框進行后處理。對各種改進方法和不同目標(biāo)檢測算法在真實海事視頻監(jiān)控數(shù)據(jù)集上進行對比實驗。實驗結(jié)果顯示,與傳統(tǒng)YOLOv3算法相比,帶有預(yù)測框不確定性信息的YOLOv3算法的假正樣本（FP）數(shù)量降低了35.42%,真正樣本（TP）數(shù)量提高了1.83%,所以提高了準(zhǔn)確率;增強YOLOv3算法在船舶圖像上的平均準(zhǔn)確率均值（mAP）達到87.74%,與傳統(tǒng)YOLOv3算法和Faster R-CNN算法相比分別提高了24.12%和23.53%;所提算法的每秒鐘檢測圖像數(shù)量達到30.70張,滿足實時檢測的要... 

【文章來源】：計算機應(yīng)用. 2020年09期 北大核心

【文章頁數(shù)】：10 頁

【部分圖文】：

YOLOv3算法框架

加入預(yù)測框不確定性回歸后網(wǎng)絡(luò)對每一個預(yù)測框輸出8個位置和尺寸信息，1個有無目標(biāo)的置信度信息和多個類別信息，改進后的輸出信息如圖2所示。由于預(yù)測框不確定性回歸只在網(wǎng)絡(luò)最后的檢測層起作用，不會對網(wǎng)絡(luò)的特征提取造成影響，所以不會額外增加網(wǎng)絡(luò)的計算量。通過網(wǎng)絡(luò)學(xué)習(xí)到的預(yù)測框信息的偏移值可以計算出預(yù)測框的坐標(biāo)和尺寸信息，如圖3所示，網(wǎng)絡(luò)最后輸出的預(yù)測框的坐標(biāo)、尺寸信息可以由式（4）計算：

其中：(bx,by)表示輸出的預(yù)測框中心點坐標(biāo)，bw和bh分別表示輸出的預(yù)測框的寬和高；pw和ph分別表示先驗錨框映射到特征圖的寬和高；(cx,cy)表示網(wǎng)格單元左上角的坐標(biāo)，在預(yù)測層的特征圖中，每一個網(wǎng)格單元的邊長均為1。2.2 損失函數(shù)改進

【參考文獻】：
期刊論文
[1]基于改進YOLO v2的船舶目標(biāo)檢測方法[J]. 于洋,李世杰,陳亮,劉韻婷.  計算機科學(xué). 2019(08)
[2]基于改進VGG網(wǎng)絡(luò)的單階段船舶檢測算法[J]. 趙蓬輝,孟春寧,常勝江.  光電子·激光. 2019(07)
[3]用于內(nèi)河船舶目標(biāo)檢測的單次多框檢測器算法[J]. 王言鵬,楊飏,姚遠.  哈爾濱工程大學(xué)學(xué)報. 2019(07)
[4]基于Darknet網(wǎng)絡(luò)和YOLOv3算法的船舶跟蹤識別[J]. 劉博,王勝正,趙建森,李明峰.  計算機應(yīng)用. 2019(06)
[5]動態(tài)背景下航道船舶目標(biāo)檢測方法[J]. 陳從平,吳喆,吳杞,呂添.  三峽大學(xué)學(xué)報(自然科學(xué)版). 2019(01)
[6]基于改進卷積神經(jīng)網(wǎng)絡(luò)的船舶目標(biāo)檢測[J]. 王新立,江福才,寧方鑫,馬全黨,張帆,鄒紅兵.  中國航海. 2018(02)



本文編號：2958342