Масштабно-многоуровневая модель обнаружения объектов для автономной навигации судов в морской среде

Multi-Scale Object Detection Model for Autonomous Ship Navigation in Maritime Environment
Qianfeng Jing, Tao Cheng, Yong Yin, Zeyuan Shao, Hongguang Lyu, Xiaowei Gao, Wenjun Zhang, Yanjie Zhao, Lunping Zhang
2022-11-19

VarifocalNetавтономная навигация судовдеформируемая свёрткаобнаружение объектов в морской средемногошкальное предсказание
Точное обнаружение объектов на поверхности моря имеет решающее значение для безопасной навигации автономных судов. В условиях непрерывного развития искусственного интеллекта электрооптические (ЭО) датчики, такие как видеокамеры, используются совместно с морскими радарами для повышения эффективности обнаружения объектов, формирующих слабые радиолокационные сигналы и имеющих малые размеры. В настоящем исследовании предложена усовершенствованная сверточная нейронная сеть (CNN) под названием VarifocalNet*, предназначенная для улучшения обнаружения объектов в сложных морских условиях. В частности, представление признаков и способность к обучению модели VarifocalNet улучшены за счет использования модуля деформируемой свертки, переработки функции потерь, введения алгоритма мягкого подавления немаксимумов и применения методов многоуровневого прогнозирования. Эти стратегии повышают точность и надежность результатов обнаружения на основе CNN в сложных морских условиях, включая бурное волнение, морской туман и отражения от водной поверхности. Экспериментальные результаты, полученные при различных морских условиях, показывают, что предложенный метод значительно превосходит аналогичные методы, такие как SSD, YOLOv3, RetinaNet, Faster R-CNN и Cascade R-CNN, по точности обнаружения и устойчивости при обнаружении объектов малого размера. Результаты обнаружения морских препятствий, полученные в условиях жестких ограничений визуализации, демонстрируют эффективность предложенной сетевой модели.
1
Предложена усовершенствованная сверточная нейронная сеть VarifocalNet для обнаружения объектов на поверхности моря в сложных морских условиях.
2
Эксперименты показывают значительно более высокую точность и устойчивость обнаружения малых морских объектов по сравнению с SSD, YOLOv3, RetinaNet, Faster R-CNN и Cascade R-CNN.
3
Метод демонстрирует эффективное обнаружение морских препятствий в сложных условиях формирования изображений, что поддерживает автономную навигацию судов.
4
Модель объединяет деформируемые свертки, переработанную функцию потерь, мягкое подавление немаксимумов и многоуровневое предсказание.
5
Эти компоненты улучшают представление признаков, способность к обучению и надежность обнаружения при волнении, морском тумане и отражениях от воды.

объекты на морской поверхности и морские препятствия, обнаруживаемые автономными судами с использованием EO-сенсоров в суровых морских условиях

точность и устойчивость обнаружения малых объектов в сложных морских и визуальных условиях, включая турбулентные волны, морской туман и отражение от воды

Publication Details
Publication Date
2022-11-19
Journal
Publisher
ISSN
Cited by
41
Access Type
Author Information
Authors
Qianfeng Jing
Tao Cheng
Yong Yin
Zeyuan Shao
Hongguang Lyu
Xiaowei Gao
Wenjun Zhang
Yanjie Zhao
Lunping Zhang
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%