使用集体深度学习技术从合成孔径雷达图像中检测船只
Himanshu Gupta1, Om Prakash Verma2, Tarun Kumar Sharma3
1Department of Instrumentation and Control Engineering, Manipal Institute of Technology, Manipal Academy of Higher Education, Manipal, 576104, Karnataka, India.
Scientific reports
|November 26, 2024
概括
本研究介绍了YYOLO,这是用于合成孔径雷达 (SAR) 船舶检测的整体模型. eYOLO在SAR图像中有效识别各种尺寸的船只,改善海上监视和减少虚假报警.
科学领域:
- 遥感 遥感 遥感 遥感
- 人工智能的人工智能
- 海上安全 海上安全 海上安全
背景情况:
- 合成开口雷达 (SAR) 对于海上监视至关重要,有助于交通管理,海盗侦测和防止非法捕捞.
- 现有的SAR船只检测模型在规模差异和船只尺寸分布不均的情况下扎,导致对小型船只的不敏感性和虚假报警的增加.
研究的目的:
- 开发一种有效的组合模型,用于SAR图像中的多尺度船舶检测.
- 解决现有模型在准确识别不同尺寸的船舶方面的局限性.
主要方法:
- 通过整合YOLOv4和YOLOv5架构,开发了YYOLO组合模型.
- 使用加权盒融合,将YOLOv4和YOLOv5.5的输出结合起来.
- 通过联合损失函数的概括交叉被用于增强模型的概括性和降低尺度灵敏度.
主要成果:
- eYOLO 模型在多尺度船舶检测方面表现出高性能.
- 在开源SAR-ship数据集上获得了91.49%的F1得分和92.00%的平均平均精度 (mAP).
- 在各种规模检测船只方面超越现有方法.
结论:
- 拟议的YyOLO模型对于SAR图像中的多尺度船舶检测是有效的.
- 整体方法和普遍的 IoU 损失显著提高了检测精度,降低了尺度的灵敏度.
- eYOLO为加强海上监视和安全提供了一个有前途的解决方案.
