基于MSAM-YOLOv5的内河航道船舶识别方法

最新推荐文章于 2024-06-04 15:45:00 发布

人工智能_SYBH

最新推荐文章于 2024-06-04 15:45:00 发布

阅读量1k

点赞数 1

分类专栏： 2024年机器学习&深度学习千例文章标签： YOLO 人工智能图像识别论文

本文链接：https://blog.csdn.net/m0_68036862/article/details/129252333

版权

2024年机器学习&深度学习千例专栏收录该内容

该专栏为热销专栏榜第25名

824 篇文章 844 订阅 ¥99.90 ¥299.90

订阅专栏

针对内河航道无人船识别目标的漏检问题，本文提出了一种基于YOLOv5的改进算法。通过引入多尺度注意力模块(MSAM)和优化锚框参数，提高了模型的召回率和mAP指标，降低了漏检率，提升了检测速度。实验表明，改进后的模型在船舶检测性能和实时性上优于原始YOLOv5。

摘要由CSDN通过智能技术生成

摘要

针对内河航道上无人船识别目标时受背景复杂性和分布多样性影响而存在漏检的问题，提出了一种基于YOLOv5(you only look once)的算法。首先，提出了一种注意力模块MSAM(multiscale attention module，多尺度注意力模块)，MSAM模块对带有大量空间信息的浅层特征图和带有丰富语义信息的深层特征图进行注意力融合，使得融合后的特征图具有更强的特征；其次，研究了MSAM模块的不同位置的影响；最后，优化了锚框参数，使得锚框形状更加符合内河船舶的形状。在船舶数据集上进行实验，结果表明：本文算法召回率提高了1.12%，mAP(mean average precision)三个指标分别提高了0.87%、5%、2.07%，FPS(fames per second，帧率)指标提高了3，漏检率降低、整体检测准确性提高、检测速度提升。

关键词：多尺度注意力模块；YOLOv5；船舶检测；内河；注意力模块位置；

近几年，无论在民用领域还是在军用领域，无人船的战略地位十分重要[1]。无人船是自主性非常高的设备，自主航行能力是无人船的核心能力之一。无人船要想实现自主航行首先要能够感知周围的环境[2]，这就要求能够识别船舶。应用于内河无人

了解本专栏