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.
最长约 10秒,即可获得该文献文件

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
李健应助wangg采纳,获得10
2秒前
2秒前
4秒前
4秒前
Dr-Luo发布了新的文献求助10
4秒前
谨慎文龙完成签到,获得积分10
6秒前
第七个太阳完成签到,获得积分10
6秒前
6秒前
ayj发布了新的文献求助10
6秒前
gt完成签到 ,获得积分10
8秒前
小w发布了新的文献求助60
8秒前
9秒前
10秒前
咎星发布了新的文献求助10
10秒前
11秒前
12秒前
宁学者发布了新的文献求助10
13秒前
明理迎曼完成签到,获得积分10
13秒前
zyb发布了新的文献求助10
14秒前
搜集达人应助韭菜盒子采纳,获得10
15秒前
15秒前
16秒前
一颗树发布了新的文献求助10
19秒前
爱学习的小白完成签到,获得积分10
20秒前
无奈的又晴完成签到,获得积分10
20秒前
DGFR完成签到,获得积分10
20秒前
李健应助一二三四五采纳,获得10
21秒前
漂泊1991发布了新的文献求助10
21秒前
fan完成签到,获得积分10
23秒前
寒冷荧荧应助fifteen采纳,获得10
23秒前
笨笨雪碧发布了新的文献求助10
24秒前
24秒前
25秒前
25秒前
lan完成签到,获得积分20
26秒前
尼罗河沙漠完成签到,获得积分10
28秒前
李爱国应助云上人采纳,获得10
29秒前
30秒前
拼搏的大米关注了科研通微信公众号
30秒前
edsenone发布了新的文献求助10
30秒前
高分求助中
Evolution 10000
ISSN 2159-8274 EISSN 2159-8290 1000
Becoming: An Introduction to Jung's Concept of Individuation 600
Ore genesis in the Zambian Copperbelt with particular reference to the northern sector of the Chambishi basin 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 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 3160952
求助须知:如何正确求助?哪些是违规求助? 2812175
关于积分的说明 7894698
捐赠科研通 2471057
什么是DOI,文献DOI怎么找? 1315853
科研通“疑难数据库(出版商)”最低求助积分说明 631036
版权声明 602068