基于SimAM注意力机制的近岸船舶检测方法

作者：郭玲; 于海雁; 周志权

来源：哈尔滨工业大学学报, 2022, 1-8.

• 船舶检测
• 注意力机制
• 数据增强
• 改进YOLOv3
• 迁移学习

基于视觉图像的船舶目标检测中由于图像背景复杂,无关干扰较多,导致了船舶目标检测的难度增大。并且多类别船舶检测数据集现有数量较少且存在样本不均衡的问题,这使得船舶目标检测性能较低。针对复杂背景干扰检测,本文通过引入SimAM注意力机制对YOLOv3模型进行改进,利用该机制加强船舶目标在提取特征中的权重并抑制背景干扰权重,从而提升模型检测性能。同时,采用了强实时数据增强以改善样本尺度分布不均衡的问题,结合迁移学习提升了在样本数量受限情况下的船舶检测精度。提取特征的可视化结果显示了改进模型对无关背景特征干扰进行了抑制,增强了模型对于船舶特征提取能力和定位能力。在SeaShips数据集上,提出的改进模型在不引入额外可学习参数的情况下mAP.5、mAP.75分别达到了96.93%、71.49%,FPS达到了66,在检测精度与运行效率方面保持了均衡。与Saliency-aware CNN、eYOLOv3相比更有效地优化了目标特征使得mAP.5分别提高了9.53%、9.19%。改进模型在新加坡海事数据集上在船舶类型目标检测上mAP.5达到了81.81%,验证了模型具有较好的泛化能力。

• 单位
  哈尔滨工业大学（威海）