為提升水上交通安全監(jiān)管的智能化水平,進(jìn)一步提高基于深度學(xué)習(xí)的船舶目標(biāo)檢測(cè)算法的定位精度和檢測(cè)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(cè)的增強(qiáng)YOLOv3算法。首先,在網(wǎng)絡(luò)預(yù)測(cè)層引入預(yù)測(cè)框不確定性回歸,以預(yù)測(cè)邊界框的不確定性信息;然后,使用負(fù)對(duì)數(shù)似然函數(shù)和改進(jìn)的二值交叉熵函數(shù)重新設(shè)計(jì)損失函數(shù);其次,針對(duì)船舶形狀使用K均值聚類算法重新設(shè)計(jì)先驗(yàn)錨框尺寸并平均分配到對(duì)應(yīng)預(yù)測(cè)尺度;在網(wǎng)絡(luò)訓(xùn)練階段,使用數(shù)據(jù)增強(qiáng)策略擴(kuò)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(duì)預(yù)測(cè)框進(jìn)行后處理。對(duì)各種改進(jìn)方法和不同目標(biāo)檢測(cè)算法在真實(shí)海事視頻監(jiān)控?cái)?shù)據(jù)集上進(jìn)行對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果顯示,與傳統(tǒng)YOLOv3算法相比,帶有預(yù)測(cè)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(qiáng)YOLOv3算法在船舶圖像上的平均準(zhǔn)確率均值（mAP）達(dá)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(cè)圖像數(shù)量達(dá)到30.70張,滿足實(shí)時(shí)檢測(cè)的要... 

【文章來(lái)源】：計(jì)算機(jī)應(yīng)用. 2020年09期 北大核心

【文章頁(yè)數(shù)】：10 頁(yè)

【部分圖文】：

YOLOv3算法框架

加入預(yù)測(cè)框不確定性回歸后網(wǎng)絡(luò)對(duì)每一個(gè)預(yù)測(cè)框輸出8個(gè)位置和尺寸信息，1個(gè)有無(wú)目標(biāo)的置信度信息和多個(gè)類別信息，改進(jìn)后的輸出信息如圖2所示。由于預(yù)測(cè)框不確定性回歸只在網(wǎng)絡(luò)最后的檢測(cè)層起作用，不會(huì)對(duì)網(wǎng)絡(luò)的特征提取造成影響，所以不會(huì)額外增加網(wǎng)絡(luò)的計(jì)算量。通過(guò)網(wǎng)絡(luò)學(xué)習(xí)到的預(yù)測(cè)框信息的偏移值可以計(jì)算出預(yù)測(cè)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(cè)框的坐標(biāo)、尺寸信息可以由式（4）計(jì)算：

其中：(bx,by)表示輸出的預(yù)測(cè)框中心點(diǎn)坐標(biāo)，bw和bh分別表示輸出的預(yù)測(cè)框的寬和高；pw和ph分別表示先驗(yàn)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(cè)層的特征圖中，每一個(gè)網(wǎng)格單元的邊長(zhǎng)均為1。2.2 損失函數(shù)改進(jìn)

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)YOLO v2的船舶目標(biāo)檢測(cè)方法[J]. 于洋,李世杰,陳亮,劉韻婷.  計(jì)算機(jī)科學(xué). 2019(08)
[2]基于改進(jìn)VGG網(wǎng)絡(luò)的單階段船舶檢測(cè)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(cè)的單次多框檢測(cè)器算法[J]. 王言鵬,楊飏,姚遠(yuǎn).  哈爾濱工程大學(xué)學(xué)報(bào). 2019(07)
[4]基于Darknet網(wǎng)絡(luò)和YOLOv3算法的船舶跟蹤識(shí)別[J]. 劉博,王勝正,趙建森,李明峰.  計(jì)算機(jī)應(yīng)用. 2019(06)
[5]動(dòng)態(tài)背景下航道船舶目標(biāo)檢測(cè)方法[J]. 陳從平,吳喆,吳杞,呂添.  三峽大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(01)
[6]基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的船舶目標(biāo)檢測(cè)[J]. 王新立,江福才,寧方鑫,馬全黨,張帆,鄒紅兵.  中國(guó)航海. 2018(02)



本文編號(hào)：2958342