基于S4-YOLO的海上目标检测识别方法

作者：赵文强; 孙巍

来源：光学与光电技术, 2020, 18(04): 38-46.

DOI：10.19519/j.cnki.1672-3392.2020.04.006

• 海上目标
• 深度学习
• 卷积神经网络
• 检测识别
• 多尺度

以海上目标的红外、可见光图像为数据源,针对海上目标尺度多样、数据源多波段信息丰富的特点,基于YOLOv3原型网络架构,根据FPN原理将4倍降采样获取的第11层底层特征图与第103层深层特征图进行融合,实现对网络尺度的扩展,并通过K-means聚类算法得到更为精细化尺度下的先验框;同时将红外、可见光图像根据目标特点按比例进行组合,形成图像源的物理层融合,进而构建混合数据集进行多波段协同模型训练。实验结果表明,S4-YOLO网络模型其识别的准确率高于YOLOv3、YOLOv3-Tiny模型,可以很好地适应海上多尺度目标的识别需求。