發(fā)布時間：2022-05-10 19:39

　　為提高船舶目標智能檢測的精度和實時性,提出一種基于YOLOv3算法的船舶目標檢測方法,可用于視頻圖像的監(jiān)測與跟蹤。參照PASCAL VOC數(shù)據(jù)集格式,構建船舶目標檢測數(shù)據(jù)集,采用k-means聚類先驗框、mixup、標簽平滑化等方法對算法進行改進和優(yōu)化,在GPU（Graphic Processing Unit）云服務器中完成算法模型的訓練和檢測,并與FasterR-CNN、SSD（Single Shot MultiBox Detector）、原始YOLOv3等算法進行模型性能的試驗對比。試驗結果表明:改進的算法明顯優(yōu)于其他算法,其在測試集上的平均精度均值（mean Average Precision, mAP）和檢測速度分別達到89.90%和30每秒檢測幀數(shù)（Frames Per Second, FPS）。 

【文章頁數(shù)】：6 頁

【文章目錄】：
1 YOLOv3算法與改進
    1.1 YOLOv3算法網(wǎng)絡結構
    1.2 損失函數(shù)
    1.3 數(shù)據(jù)集構建
    1.4 優(yōu)化策略
        1.4.1 k-means[12]聚類先驗框
        1.4.2 mixup[14]
        1.4.3 標簽平滑化[15]
2 試驗與結果分析
    2.1 模型訓練
    2.2 性能對比
    2.3 檢測結果
3 結束語


【參考文獻】：
期刊論文
[1]基于YOLO深度卷積神經(jīng)網(wǎng)絡的復雜背景下機器人采摘蘋果定位[J]. 趙德安,吳任迪,劉曉洋,趙宇艷.  農(nóng)業(yè)工程學報. 2019(03)
[2]改進的YOLOv3紅外視頻圖像行人檢測算法[J]. 王殿偉,何衍輝,李大湘,劉穎,許志杰,王晶.  西安郵電大學學報. 2018(04)
[3]最優(yōu)聚類個數(shù)和初始聚類中心點選取算法研究[J]. 張素潔,趙懷慈.  計算機應用研究. 2017(06)



本文編號：3652574