海上船舶检测与城市应急3D建模技术解析
海上船舶检测的自学习框架
传统的目标检测方法在恶劣天气或汹涌水域条件下,往往难以有效检测船舶,并且检测静止船舶时的假阴性概率会增加。而基于卷积神经网络(ConvNet)的系统,由于其能够独立于周围环境搜索目标物体,为解决工业导向的海上监视应用中的船舶检测问题提供了更好的可能性。
为了在特定应用中使用ConvNet获得可靠的结果,需要在从目标领域收集的全面标注数据集上对预训练模型进行微调。然而,当位置或采集设备发生变化时,系统就需要新的训练数据集,而手动创建标注训练集非常耗时。为了解决这个问题,目前的先进方法广泛采用半监督技术,设计能够从新的原始数据中自动微调预训练ConvNet的框架。
自学习框架步骤
- 初始模型微调 :首先在标注的海上图像集上微调预训练的单阶段检测器,得到受当前领域特征影响的初始船舶模型。
- 自学习框架构建 :开发自学习框架,自动从目标领域数据生成候选标签,并执行时间过滤方法来验证标注样本。
- 模型再微调 :在生成的自学习数据集上对模型进行微调。
性能优势
将该框架应用于在船舶相关数据集上训练的SSD时,得到的网络表现优于初始模型,平均精度达到83%,并且F - 1分数提高了5%。相比Botlek - SSD,平均精度高出12%,误检减少279次,漏检减少118次,真正例增加118次;与PASCAL - SSD相比,虽然AP仅高出2%,但正确检测数多294次,漏检率降低5.8
超级会员免费看
订阅专栏 解锁全文
2196

被折叠的 条评论
为什么被折叠?



