.png){kind=icon}
返回
A High-Performance and Lightweight Maritime Target Detection Algorithm
.png){kind=icon}
OA
AI
DOI：10.3390/rs17061012.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
海事监视视频（MSV）目标检测系统对于海事安全和海洋经济具有重要意义。由于受到许多复杂因素的阻碍，现有的MSV目标检测系统检测精度较低。这些因素包括目标距离、雨雾造成的潜在遮挡以及边缘设备计算能力的限制。为克服这些因素，本文提出了一种高性能轻量级海事目标检测算法（HPMTD）。HPMTD由三个模块组成：特征提取、浅层特征渐进融合（SFPF）和多尺度感知头。在特征提取模块中，针对可变形卷积提出了全局坐标注意力优化的偏移回归模块。因此，处理低可见度和目标遮挡问题的能力得到增强。在SFPF模块中，提出了幽灵动态卷积与低成本自适应空间特征融合相结合的方法。这样可实现轻量级设计，并提高多尺度目标检测能力。此外，还引入了多尺度感知头，以更有效地学习和融合尺度特征，从而提高定位精度。为评估所提算法的性能，本研究在实验中采用了新加坡海事数据集。实验结果表明，与对比算法相比，所提算法可实现接近10%的平均精度均值提升，且模型大小几乎减半。此外，该算法运行速度提升三倍，仅需一半的计算资源，并在低可见度的海面环境中保持近似的精度。这些结果证明了HPMTD实现了对海洋目标的轻量级和高精度检测。
Keyword:
maritime target detection
deformable convolution
multi-scale feature fusion
convolutional neural network
期刊
IF:
4.1
论文数:
7.4K
被引数:
15.1W
机构
暂无机构信息
引用论文
InternImage: Exploring Large-Scale Vision Foundation Models with Deformable ConvolutionsInternImage: 使用可变形卷积探索大型视觉基础模型OAAI
OAAI分享收藏
Anchor boxes adaptive optimization algorithm for maritime object detection in video surveillance视频监控中船舶目标检测的锚框自适应优化算法OAAI
OAAI分享收藏DSAN: Exploring the Relationship between Deformable Convolution and Spatial AttentionDSAN：探索可变形卷积与空间注意力之间的关系.png)
OAAI
IF0
OAAI分享收藏SafeSea: Synthetic Data Generation for Adverse & Low Probability Maritime ConditionsSafeSea: 用于恶劣及低概率海上条件的合成数据生成
PREAI
分享收藏
查看更多内容