Масштабно-многоуровневая модель обнаружения объектов для автономной навигации судов в морской среде
Multi-Scale Object Detection Model for Autonomous Ship Navigation in Maritime Environment
2022-11-19
SCID: 54.1/zsvky5af
Discuss with AI
VarifocalNetавтономная навигация судовдеформируемая свёрткаобнаружение объектов в морской средемногошкальное предсказание
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
объекты на морской поверхности и морские препятствия, обнаруживаемые автономными судами с использованием EO-сенсоров в суровых морских условиях
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest