科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对沿岸监控视频图像的舰船目标识别问题，传统检测方法检测速度和准确率有待进一步提升。深度学习方法已经能够实现船舶目标的检测，但模型网络结构复杂且存在交互影响的超参数，模型训练时耗长，检测精度往往受限于训练样本和超参数的选取。拟在YOLO(you only look once)算法的卷积神经网络模型训练过程中，采用均匀设计理念，对影响因素和水平协同优化，减少按照主观经验训练深度学习算法参数的盲目性。分析清晰度和人工标注影响，以场景、训练集与测试集样本比例、训练算法、训练轮次作为影响因素，设置差异化水平值，采用均匀设计方法训练深度学习模型，选用精准度(average precision, AP)对比分析经验法和均匀设计法。以上海市黄浦江水域场景作为实例验证，研究表明：经验法设计的9组训练方案中最优AP为0.84,均匀设计法产生的6组训练方案中，选用YOLOv5x算法，样本比例90%、训练100轮次时，深度学习模型AP为0.91,表明均匀设计在深度学习模型超参数训练中有效。
- 单位
