.png){kind=icon}
返回
Robust Ship Detection Algorithm Under Complex Occlusion Conditions
.png){kind=icon}
OA
AI
DOI：10.3390/jmse14151423.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为解决复杂海上监视场景中相邻船舶、岸基设施及气象遮蔽导致的船舶检测精度下降问题，本文提出了一种抗遮挡检测模型OAR-YOLO。在骨干网络的三层P3、P4和P5中嵌入了自适应双路径下采样模块ADown，通过并行的平均池化和最大池化分支分别保留低频上下文信息和高频边缘信息，缓解了传统步长卷积下采样带来的信息损失。在顶层P5嵌入了注意力驱动的同尺度特征交互模块AIFI，通过全局自注意力建立空间分离可见区域间的语义关联，补偿了卷积局部性导致的跨区域连接不足。两个模块形成了信息保留和语义连接的双重补偿机制。在自建船舶数据集上，OAR-YOLO达到81.0%的精确率、74.7%的mAP@0.5和47.1%的mAP@0.5–0.95，相比YOLO11n基线分别提升2.7、2.6和1.4个百分点。该模型仅含2.89 M参数和5.7 GFLOPs，推理时间每帧0.8 ms，满足复杂海上应用场景的实时部署需求。
Keyword:
ship detection
OAR-YOLO
adaptive downsampling
feature interaction
期刊
IF:
2.8
论文数:
4.7K
被引数:
2.3W
机构
引用论文
YOLOv9: Learning What You Want to Learn Using Programmable Gradient InformationYOLOv9: 使用可编程梯度信息学习您想要学习的内容
.png){kind=icon}
PREAI
分享收藏分享收藏
YOLOv10: Real-Time End-to-End Object Detection王, A.; 陈, H.; 刘, L.; 陈, K.; 林, Z.; 韩, J. YOLOv10: 实时端到端目标检测. Adv. Neural Inf. Process. Syst. 2024, 37, 107984–108011. [Google Scholar] [CrossRef]
PREAI
分享收藏YOLO-ELR: A High-Precision Lightweight Object Detection Model in Marine EnvironmentYOLO-ELR：一种高精度轻量化海洋环境目标检测模型OAAI
OAAI分享收藏
查看更多内容