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
利用遥感图像对海面上舰船进行监控已成为目前研究的热点，为了解决传统舰船检测需人工选择特征、耗时耗力、原始YOLO算法对密集分布小目标检测精度不高的缺陷，提出了一种基于YOLOv5的遥感图像舰船检测方法，使用kaggle平台提供的遥感数据集，在Pytorch框架上训练，损失函数设计为CIOU-LESS，目标框的选择使用DIOU＿NIMS算法，使被遮挡、重叠的目标检测效果增强。经实验对比，此目标检测模型对被遮挡、排列密集的舰船的检测精度优于其他模型，其平均检测精度由原始的88.75％提升到91.27％。
二、网络模型及核心创新点
创新点：
1）损失函数
2）使用DIOU＿NMS
YOLOv5中对于预测框的筛选采用NMS，本文使用DIOU＿NMS，能提高对被重叠、被遮挡的目标的检测精度。
部分代码如下：
c = x[:, 5:6] * (0 if agnostic else max_wh) # classesboxes, scores = x[:, :4] + c, x[:, 4] # boxes (offset by class), scores#i = torchvision.ops.nms(boxes, scores, iou_thres) # NMSi = NMS(boxes, scores, iou_thres, DIoU=True)
三、应用数据集
本文的实验数据集主要采用的是Kaggle平台上公开的舰船图像数据集，数据集中包含海峡、港口、海面等背景下的图像，也包含云雾、雨雪等气候环境干扰的图像。为了确保数据集的海量与复杂性，对其进行旋转扩充数后共计2000张图像，送到网络中学习。选取部分数据部分样本数据集如图所示。
四、实验效果
1.对YOLOv5的损失函数及预测框的筛选函数进行优化，改进后的检测结果如所示。
2.与Faster R-CNN、YOLOV4、YOLOv5s、模型在相同的测试集进行实验对比，不同模型的检测性能如下表所示。
五、实验结论
本文将YOLOv5目标检测网络模型应用到遥感图像舰船检测领域，并对网络的损失函数、预测框的筛选函数进行了改进，经实验证明，与深度学习传统的算法和其他的YOLO系列目标检测算法对比，改进的算法有效地提高了遥感图像中密集分布、被遮挡、重叠的舰船检测精度，较原算法的召回率提高了2.48％，准确率提高了2.74％。
六、投稿期刊介绍
注：论文原文出自张宏群（1、2、3）勇苗（1）郭玲玲（4）金云飞（4）陈檑（1）（1.南京信息工程大学南京210044；2.南京信息工程大学江苏省大气环境与装备技术协同创新中心南京210044；3.南京信息工程大学滨江学院无锡214105；4.上海卫星工程研究所上海00）
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。
