為提高船舶目標(biāo)智能檢測(cè)的精度和實(shí)時(shí)性,提出一種基于YOLOv3算法的船舶目標(biāo)檢測(cè)方法,可用于視頻圖像的監(jiān)測(cè)與跟蹤。參照PASCAL VOC數(shù)據(jù)集格式,構(gòu)建船舶目標(biāo)檢測(cè)數(shù)據(jù)集,采用k-means聚類先驗(yàn)框、mixup、標(biāo)簽平滑化等方法對(duì)算法進(jìn)行改進(jìn)和優(yōu)化,在GPU（Graphic Processing Unit）云服務(wù)器中完成算法模型的訓(xùn)練和檢測(cè),并與FasterR-CNN、SSD（Single Shot MultiBox Detector）、原始YOLOv3等算法進(jìn)行模型性能的試驗(yàn)對(duì)比。試驗(yàn)結(jié)果表明:改進(jìn)的算法明顯優(yōu)于其他算法,其在測(cè)試集上的平均精度均值（mean Average Precision, mAP）和檢測(cè)速度分別達(dá)到89.90%和30每秒檢測(cè)幀數(shù)（Frames Per Second, FPS）。 

【文章頁(yè)數(shù)】：6 頁(yè)

【文章目錄】：
1 YOLOv3算法與改進(jìn)
    1.1 YOLOv3算法網(wǎng)絡(luò)結(jié)構(gòu)
    1.2 損失函數(shù)
    1.3 數(shù)據(jù)集構(gòu)建
    1.4 優(yōu)化策略
        1.4.1 k-means[12]聚類先驗(yàn)框
        1.4.2 mixup[14]
        1.4.3 標(biāo)簽平滑化[15]
2 試驗(yàn)與結(jié)果分析
    2.1 模型訓(xùn)練
    2.2 性能對(duì)比
    2.3 檢測(cè)結(jié)果
3 結(jié)束語(yǔ)


【參考文獻(xiàn)】：
期刊論文
[1]基于YOLO深度卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜背景下機(jī)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(xué)報(bào). 2019(03)
[2]改進(jìn)的YOLOv3紅外視頻圖像行人檢測(cè)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(xué)學(xué)報(bào). 2018(04)
[3]最優(yōu)聚類個(gè)數(shù)和初始聚類中心點(diǎn)選取算法研究[J]. 張素潔,趙懷慈.  計(jì)算機(jī)應(yīng)用研究. 2017(06)



本文編號(hào)：3652574