共查询到10条相似文献，搜索用时 15 毫秒
1.
海洋锋是重要的中尺度海洋现象,具有数据量小、目标小、弱边缘等特性。针对实际检测任务中弱边缘、小目标海洋锋的检测精度低、错检及漏检率高等问题,融合scSE (spatial and channel Squeeze&Excitation)空间注意力模块构建了一种改进的Mask R-CNN海洋锋检测模型。该方法首先对Mask R-CNN骨干网络结构进行改进,采用scSE模块引导的ResNet-50网络作为特征提取网络,通过加权策略对图像通道和空间位置进行特征突出,提升网络对重要特征的提取能力;其次,针对海洋锋目标边缘定位不准确的问题,引入IoU boundary loss构建新的Mask损失函数,提高边界检测精度。最后,为验证方法的有效性,从训练数据和实验模型上,分别设计多组对比实验。实验结果表明,相比传统Mask R-CNN、YOLOv3神经网络及现有Mask R-CNN改进网络,本文方法对SST梯度影像数据集上的强、弱海洋锋检测效果最好,定位准确率（IoU,Intersection-over-union））及检测精度（mAP,Mean Average Precision）均达0.... 相似文献
2.
针对深海冷泉生物数量多、密度大、特征低,人工识别它们的种类和数取它们的数量耗时费力且准确度低这一问题,利用残差学习块,改进了基于区域的全卷积网络算法,用以深海冷泉生物的自动识别与检测。首先,构建了一组包括5类目标生物的深海冷泉生物图像目标检测数据集;然后,在TensorFlow框架下对比了R-FCN_ResNet、Faster R-CNN和SSD_MobileNet三种典型的卷积神经网络算法。从训练耗损时间、平均检测速度、平均置信度三方面权衡,突出了R-FCN_ResNet模型的优势;最后,将测试集图片输入至该模型中检测深海冷泉生物的种类和数量,并且以此复现了生物的分布情况。实验证明,所提方法结合本文数据集进行的深海冷泉生物识别与分布研究,是有效可行的,且具有较高的目标分类和定位准确率。 相似文献
3.
SAR（synthetic aperture radar）图像溢油暗斑准确识别对海上溢油应急工作具有重要的意义。为减少SAR图像特征提取、特征选择过程中人为因素对溢油检测精度的影响,本文将Faster R-CNN卷积神经网络模型引入SAR图像溢油检测并进行了改进。针对溢油暗斑形状多样及SAR图像背景复杂的特点,选用结构一致且实用性强的VGG16卷积网络获取图像特征,并使用软化非极大值抑制算法（Soft-NMS）进行优化。同时基于相同的数据集,提取常用的SAR图像几何特征、灰度特征和纹理特征,构建反向传播（backpropagation,BP）人工神经网络溢油检测方法并与Faster R-CNN方法进行对比。实验结果表明,基于改进Faster-RCNN模型的溢油检测方法溢油检测率达到0.78,且溢油检测虚警率低于0.25,相比BP人工神经网络溢油检测方法样本识别率、溢油检测率分别提高了4%和5%,溢油虚警率降低了5%。 相似文献
4.
随着海上交通运输业业务需求的不断增加,传统的目标检测方法已无法满足实际需求。由于卫星遥感技术的快速发展,基于合成孔径雷达（Synthetic Aperture Radar,SAR）图像舰船目标自动识别具有显著的应用潜力。近年来,深度学习技术在目标检测领域逐渐显现出优势,特别是YOLO (You Only Look Once)模型以其较高的精度和计算效率,为SAR舰船目标的识别提供了一种新的方法。为对比不同的YOLO模型在舰船目标识别领域的性能及其相比于两阶段深度学习算法的优势,本文首先对YOLO系列的结构进行了归纳总结;其次对当前广泛使用的数据集进行了对比分析,并基于SAR图像数据集（SAR Ship Detection Dataset,SSDD）的样本进行重新标注构建出本文的数据集;然后将YOLO系列模型与两阶段目标检测方法——更快速的区域卷积神经网络（Faster Region-based Convolutional Neural Network,Faster R-CNN）在SAR舰船目标检测的精度和速度两方面进行对比实验;最后在YOLOv5模型的基础上对主干网络（Backbone... 相似文献
5.
鳗鲡(Anguilla)作为我国优质水产养殖种类,精准掌握其数量对高效养殖有重要意义。为实现对循环水养殖鳗鲡的准确计数,提出了一种基于深度学习的改进Faster RCNN模型。针对检测目标即鳗鲡头部尺寸小的问题,选择在特征提取网络ResNet50中加入FPN结构来作为模型的骨干网络,以提取并融合多尺度的特征;针对原模型锚框都是基于人工经验设置的,并不适用于鳗鲡数据集的问题,使用k-means聚类算法对训练集中标注的鳗鲡头部检测框进行聚类分析,获得了适合鳗鲡数据集的15种不同尺度的锚框;针对图像中存在鳗鲡头部重叠的问题,选择使用Soft-NMS算法替代原NMS算法对RPN部分生成的候选框进行筛选,以减少模型对鳗鲡重叠部分的漏检情况。试验结果表明:改进后的Faster RCNN模型对鳗鲡头部的检测精度(mAP0.5)高达96.5%,较原Faster RCNN模型(Backbone为ResNet50)显著提升了14%,与SSD300和YOLOV3模型相比分别显著提升了24.9%和15%;在鳗鲡计数上,利用改进后的Faster RCNN模型检测结果进行计数,计数准确率达到90%以上,提升了模型对鳗鲡的检测识别能力。 相似文献
6.
针对传统侧扫声纳图像沉船目标识别精度低的问题,引入深度学习,提出了一种改进的You Only Look Once X(YOLOX)目标检测方法。首先对收集的侧扫声纳沉船图像进行预处理,根据实测过程拖鱼的姿态、仪器设备不同等造成的成像差异进行数据增强与扩充,并构建数据集;其次以YOLOX为基础网络,根据侧扫声纳图像缺少丰富特征信息的问题,对网络进行改进,在网络的Spatial pyramid pooling(SPP)结构引入Softpool池化替换原来的池化,提取更多的细节特征信息;最后对改进前后的网络模型进行精度评估,验证改进网络的可行性。实验结果表明,改进后的网络在平均精确率均值(mAP)等精度评定指标中相较于原网络都有着显著提升,识别效果更好。该研究可为侧扫声纳探测中实时目标物检测提供研究基础。 相似文献
7.
8.
海洋内孤立波是一种在稳定层化海水内部广泛分布的波动,对物质能量传输和海洋环流具有重要作用,也对海洋工程建设和舰船航行安全产生了重要影响。机器学习技术利用数据训练模型,使计算机具备学习和改进性能的能力,在图像检测、分割和预测等领域得到广泛应用。探讨了机器学习在内孤立波检测识别、参数反演和传播预测方面的应用,并指出当前研究中存在的问题,如内孤立波数据集和专门算法研究不足等。最后,分析了机器学习在内孤立波研究中的未来发展趋势。 相似文献
9.
《中国海洋大学学报(自然科学版)》2017,(7)
针对HFT显著性检测方法中出现的显著目标突显不均匀以及显著信息丢失问题,结合尺度空间分析的方法,提出一种基于自适应幅度谱分析的显著目标检测算法。该算法利用频域滤波尺度与显著目标尺寸之间的关系,对图像幅度谱的尖刺进行处理,突出显著性区域,保证了显著目标的均匀性。同时引入高斯偏见对多幅显著图进行融合,进一步保留显著信息,改善了显著图效果。在国际公开的数据集和藻种图像数据集上,该算法的检测结果具有更高的精度和更好的召回率,优于现有的其他频域显著性检测算法。 相似文献
10.
针对已有养殖浮筏提取研究中未考虑多时相、特征多样性问题,提出了一种基于改进DeepLab v3+模型的养殖浮筏提取方法。通过依据多年份Sentinel-2遥感影像构建了养殖浮筏影像数据集;更改模型中ASPP模块结构为DenseASPP并优化膨胀率;替换原特征提取网络Xception为轻量化网络MobileNet v2;增加CBAM注意力机制模块,在顾及多时相、特征多样性养殖浮筏基础上,有效提升了模型的提取精度和效率。以覆盖长海县的Sentinel-2遥感影像为数据源进行实验,结果表明：改进DeepLab v3+模型各评价指标均高于DeepLab v3+模型,精确率、准确率分别达到了89.64%、88%。 相似文献