.png){kind=icon}
返回
Ship detection algorithm based on structural reparameterize dilated large-kernel convolution and spatial selective kernel mechanism
.png){kind=icon}
PRE
AI
DOI：10.1007/s11554-025-01649-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
针对舰船检测中目标尺度变化大和背景环境复杂的问题，本文提出了一种名为DrbLSK的单阶段舰船检测算法，该算法是对YOLOv5的改进。首先，为增强模型对不同尺度目标的上下文建模能力，在骨干网络中引入了核选择模块，通过动态选择感受野来减少环境干扰。同时，采用大核空洞卷积与结构重参数化的结合，以减少模型参数并提升骨干网络的特征表达能力。其次，利用解耦检测头以缓解目标检测任务中分类与回归任务间的冲突。此外，在检测头中使用CIoU替代原始损失函数，从而加速网络收敛。实验结果表明，在ABOships数据集上，改进后的模型在减少参数数量的同时，相比YOLOv5将精度提升了2.5%，平均精度达到63.9%。
Keyword:
Marine object detection
Ship detection
YOLOv5
Structural reparameterization
Convolution neural network
Faster R-CNN
期刊
IF:
3
论文数:
392
被引数:
2.0K
机构
引用论文
Diverse Branch Block: Building a Convolution as an Inception-like Unit多样化的分支块: 将卷积构建为类似Inception的单元
OAAI
.png){kind=icon}
OAAI分享收藏
分享收藏分享收藏A neural network method for time-dependent inverse source problem with limited-aperture data一种基于时间依赖的逆源问题的神经网络方法，适用于有限孔径数据
PREAI
分享收藏ALF-YOLO: Enhanced YOLOv8 based on multiscale attention feature fusion for ship detectionALF-YOLO：基于多尺度注意力特征融合的YOLOv8改进算法，用于船舶检测
PREAI
分享收藏
查看更多内容