目标检测论文解读复现

文章目录

• • 目标检测论文解读复现
• 前言
• 一、摘要
• 二、网络模型及核心创新点
• 三、应用数据集
• 四、实验效果（部分展示）
• 五、实验结论
• 六、投稿期刊介绍

前言

此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。

一、摘要

近年来针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像中缺乏颜色和纹理细节的舰船检测技术在深度学习领域中得到了广泛研究，利用深度学习技术可以有效避免传统的复杂特征设计，并且检测精度得到极大改善。针对舰船目标检测框具有高长宽比和密集排列问题，提出一种基于改进YOLOv5的目标检测方法，该方法针对舰船目标检测框特点将检测框长宽作为参数进行综合考虑并对损失函数进行曲线优化，并结合坐标注意力机制（Coordinate Attention，CA），在模型轻量化的同时实现对舰船目标检测的高速与高精度并存。实验结果表明：相比原YOLOv5方法，本文方法的检测精度由原来的92.3%提升到96.7%，mAP（mean Average Precision）指标由原来的92.5%提升97.2%，明显优于对比方法。通过改进检测框损失函数和特征提取方式，提高对SAR图像中舰船目标的检测效果。

二、网络模型及核心创新点

创新点：
1.损失函数
2.坐标注意力机制
3.数据集简介与训练策略

三、应用数据集

本文实验采用数据集为国内公开的SSDD（SAR Ship Detection Dataset）数据集，该数据集共有1160张SAR图像，共含有2456只舰船目标，且已被海军航空大学李建伟等学者标注，具有多种极化模式、多种分辨率、海面上和靠岸等舰船场景，能有效验证模型的鲁棒性。

四、实验效果（部分展示）

1.为了验证本文改进模块对SAR舰船目标检测的影响，对各模块进行评估，结果如表所示：

2.图示为改进后的算法在测试集上的舰船目标检测结果，其中（a）-（c）是复杂背景下靠岸舰船检测结果，（d）是深海稀疏分布的小目标检测结果。

五、实验结论

提出了改进的YOLOv5网络模型的目标检测算法，该算法泛化性强，对于靠岸且密集的舰船目标的检测效果较好，相比其它改进方法具有更高的检测精度，并且检测时间较短，在实时性SAR应用领域具有一定的现实意义，最终得到的模型权重大小仅13.8MB，这样的轻量模型将有助于未来的硬件移植。

六、投稿期刊介绍

注：论文原文出自谭显东，彭辉．改进YOLOv5的SAR图像舰船目标检测[J/OL]．计算机工程与应用. https://kns.cnki.net/kcms/detail/11.2127.TP.20211115.1838.021.html

解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注下面公众号，私信我。