基于均匀设计的船舶目标检测深度学习模型训练方法

摘要：

针对沿岸监控视频图像的舰船目标识别问题,传统检测方法检测速度和准确率有待进一步提升.深度学习方法已经能够实现船舶目标的检测,但模型网络结构复杂且存在交互影响的超参数,模型训练时耗长,检测精度往往受限于训练样本和超参数的选取.拟在YOLO(you only look once)算法的卷积神经网络模型训练过程中,采用均匀设计理念,对影响因素和水平协同优化,减少按照主观经验训练深度学习算法参数的盲目性.分析清晰度和人工标注影响,以场景、训练集与测试集样本比例、训练算法、训练轮次作为影响因素,设置差异化水平值,采用均匀设计方法训练深度学习模型,选用精准度(average precision,AP)对比分析经验法和均匀设计法.以上海市黄浦江水域场景作为实例验证,研究表明:经验法设计的9组训练方案中最优AP为0.84,均匀设计法产生的6组训练方案中,选用YOLOv5x算法,样本比例90％、训练100轮次时,深度学习模型AP为0.91,表明均匀设计在深度学习模型超参数训练中有效.

关键词：目标检测、深度学习、均匀设计、YOLO

所属期刊栏目：22

分类号：U692.3(水路运输技术管理)

资助基金：国家自然科学基金51108137

在线出版日期：2022-10-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：11241-11249