La aplicación de la detección de buques para ayudar a la navegación inteligente tiene requisitos estrictos en cuanto a la velocidad y la precisión de detección del modelo. En respuesta a este problema, este estudio utiliza un modelo de detección YOLO-V4 mejorado (ShipYOLO) para detectar buques. En comparación con YOLO-V4, el modelo presenta tres mejoras principales. En primer lugar, se optimiza la red troncal (CSPDarknet) de YOLO-V4. En el proceso de entrenamiento, la convolución 3 × 3, la convolución 1 × 1 y el modo paralelo de identidad se utilizan para sustituir al componente original de extracción de características (ResUnit) y se extraen más características. En el proceso de inferencia, los parámetros de la rama se combinan para formar una nueva red troncal denominada RCSPDarknet, que mejora la velocidad de inferencia del modelo al tiempo que mejora la precisión. En segundo lugar, para resolver el problema de la falta de detección de los barcos pequeños, diseñamos un nuevo módulo de campo receptivo amplificado denominado DSPP con convolución dilatada y Max-Pooling, que mejora la adquisición por parte del modelo de información espacial de los barcos pequeños y la solidez del desplazamiento del espacio objetivo de los barcos. Por último, utilizamos el mecanismo de atención y la idea de atajo de Resnet para mejorar la estructura piramidal de características (PAFPN) de YOLO-V4 y obtener una nueva estructura piramidal de características denominada AtFPN. La estructura mejora eficazmente el efecto de extracción de características del modelo para buques de diferentes escalas y reduce el número de parámetros del modelo, mejorando aún más la velocidad de inferencia y la precisión de detección del modelo. Además, hemos creado un conjunto de datos de buques con un total de 2238 imágenes, que es un conjunto de datos de una sola categoría. Los resultados experimentales demuestran que ShipYOLO tiene la ventaja de ser más rápido y preciso incluso con diferentes tamaños de entrada. Considerando el tamaño de entrada de 320 × 320 en el PC equipado con GPU NVIDIA 1080Ti, los FPS y mAP@5 :5:95 (mAP90) de ShipYOLO aumentan un 23,7
y 13,6% (10,6%), respectivamente, con un tamaño de entrada de 320 × 320, ShipYOLO, en comparación con YOLO-V4.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Control óptimo de la maniobra de adelantamiento para vehículos inteligentes
Artículo:
Estructura de decisión de la problemática logística del transporte
Artículo:
Construcción de prototipos, modelado de dinámica de vuelo y análisis aerodinámico de aeronaves híbridas no tripuladas VTOL
Folleto:
Glosario de términos de logística
Artículo:
Análisis empírico de la accesibilidad espacial de la ciudad de Qingdao a partir de datos de múltiples fuentes
Informe, reporte:
Diagnóstico sobre la logística del comercio internacional y su incidencia en la competitividad de las exportaciones de los países miembros
Infografía:
Sistemas de calidad. Six Sigma
Manual:
Química de los taninos
Artículo:
Influencia del COVID-19 en las dinámicas de exportación, producción y consumo de carne vacuna en Colombia y el mundo: Una revisión monográfica.