Deep learning based efficient ship detection from drone-captured images for maritime surveillance

无人机 块(置换群论) 计算机科学 目标检测 人工智能 深度学习 编码(集合论) 卷积(计算机科学) 计算机视觉 骨干网 图像(数学) 实时计算 模式识别(心理学) 人工神经网络 电信 遗传学 几何学 数学 集合(抽象数据类型) 生物 程序设计语言
作者
Shuxiao Cheng,Yishuang Zhu,Shaohua Wu
出处
期刊:Ocean Engineering [Elsevier]
卷期号:285: 115440-115440 被引量:24
标识
DOI:10.1016/j.oceaneng.2023.115440
摘要

The use of drones to observe ships is an effective means of maritime surveillance. However, the object scale from drone-captured images changes dramatically, presenting a significant challenge for ship detection. Additionally, the limited computing resources on drones make it difficult to achieve fast detection speed. To address these issues, we propose an efficient deep learning based network, namely the YOLOv5-ODConvNeXt, for ship detection from drone-captured images. YOLOv5-ODConvNeXt is a more accurate and faster network designed to improve the efficiency of maritime surveillance. Based on YOLOv5, we implement Omni-dimensional Convolution (ODConv) in the YOLOv5 backbone to boost the accuracy without increasing the network width and depth. We also replace the original C3 block with a ConvNeXt block in YOLOv5 backbone to accelerate detection speed with only a slight decline in accuracy. We test our model on a self-constructed ship detection dataset containing 3200 images captured by drones or with a drone view. The experimental results show that our model achieves 48.0% AP, exceeding the accuracy of YOLOv5s by 1.2% AP. The detection speed of our network is 8.3 ms per image on an NVIDIA RTX3090 GPU, exceeding the detection speed of YOLOv5s by 13.3%. Our code is available at https://github.com/chengshuxiao/YOLOv5-ODConvNeXt.

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
1秒前
1秒前
枫飞完成签到,获得积分10
1秒前
caroline发布了新的文献求助30
1秒前
2秒前
2秒前
3秒前
英姑应助OK佛采纳,获得10
4秒前
5秒前
枫飞发布了新的文献求助10
5秒前
怕孤独的飞飞完成签到,获得积分10
6秒前
可爱的函函应助dqz采纳,获得10
7秒前
Singularity应助阿蕊采纳,获得10
7秒前
西酞普绿完成签到,获得积分20
8秒前
8秒前
9秒前
成1发布了新的文献求助10
9秒前
10秒前
10秒前
11秒前
11秒前
11秒前
沂静完成签到,获得积分10
12秒前
萨阿呢完成签到,获得积分10
13秒前
Elliba发布了新的文献求助10
15秒前
ming完成签到 ,获得积分10
15秒前
六六完成签到 ,获得积分10
15秒前
顺利兰发布了新的文献求助10
16秒前
Milou完成签到,获得积分20
16秒前
无花果应助沂静采纳,获得10
17秒前
17秒前
17秒前
情怀应助不要引力采纳,获得10
17秒前
18秒前
扬帆起航行万里完成签到,获得积分10
18秒前
happy发布了新的文献求助10
18秒前
19秒前
19秒前
明明明发布了新的文献求助10
19秒前
高分求助中
Sustainability in ’Tides Chemistry 2000
Sustainability in ’Tides Chemistry 1500
The ACS Guide to Scholarly Communication 1000
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Handbook of the Mammals of the World – Volume 3: Primates 805
Ethnicities: Media, Health, and Coping 800
Photosynthesis III 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3071500
求助须知:如何正确求助?哪些是违规求助? 2725527
关于积分的说明 7489890
捐赠科研通 2372698
什么是DOI,文献DOI怎么找? 1258220
科研通“疑难数据库(出版商)”最低求助积分说明 610233
版权声明 596916