• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    融合圖像顯著性的YOLOv3船舶目標(biāo)檢測算法研究

    2020-12-01 03:15:00陳連凱李邦昱齊亮
    軟件導(dǎo)刊 2020年10期

    陳連凱 李邦昱 齊亮

    摘 要:針對復(fù)雜水面環(huán)境下的船舶目標(biāo)檢測問題,運用融合圖像顯著性的YOLOv3船舶目標(biāo)檢測改進算法以提高檢測能力。該算法基于Darknet-53網(wǎng)絡(luò)模型,根據(jù)水上船舶特點,融合非極大值抑制算法Soft-NMS和顯著性檢測算法FT思想,進一步優(yōu)化最終檢測以達到更準(zhǔn)確的效果。用Soft-NMS算法替換原有NMS算法,使得算法對小目標(biāo)和重疊目標(biāo)檢測效果明顯提升。融入FT算法對船舶圖像局部細節(jié)作進一步細化,使得包圍盒回歸更加準(zhǔn)確。在建立的數(shù)據(jù)集上進行訓(xùn)練與測試,實驗結(jié)果表明,改進方法比原始方法準(zhǔn)確率提高4%,達97%,檢測速度提高10幀/s,達30幀/s,表明改進算法有效提高了船舶目標(biāo)檢測精度,且加快了檢測速度。

    關(guān)鍵詞:船舶目標(biāo)檢測;YOLOv3;Soft-NMS;顯著性檢測

    DOI:10. 11907/rjdk. 201157

    中圖分類號:TP312文獻標(biāo)識碼:A 文章編號:1672-7800(2020)010-0146-06

    Abstract:Aiming at the problem of ship target detection in a complex water surface environment, we employ an improved YOLOv3 ship target detection algorithm that incorporates image saliency based on the Darknet-53 network model. This method is based on the characteristics of watercraft, combining the non-maximum suppression algorithm Soft-NMS (Soft Non-Maximum Suppression) and the significance detection algorithm FT (frequency-tuned salient region) to further optimize the final detection to achieve a more accurate effect. The Soft-NMS algorithm is used to replace the original NMS algorithm, so that the algorithm can significantly improve the detection effect of small targets and overlapping targets. The FT algorithm is incorporated to further refine the local details of the ship image, making the regression of the bounding box more accurate. Training and testing on the data set established in this article, the experimental results show that the accuracy of the improved method is 4% higher than the original method, reaching 97%, and the detection speed is increased by 10 frames/s to 30 frames/s. It shows that the improved algorithm effectively improves the accuracy of ship target detection and speeds up the detection speed.

    Key Words: ship target detection; YOLOv3; Soft-NMS; salient region detection

    0 引言

    隨著計算機視覺與機器視覺的快速發(fā)展,深度學(xué)習(xí)算法在目標(biāo)檢測、識別和跟蹤領(lǐng)域取得了良好效果[1]。Krizhevsk等[2]提出圖像分類算法,該算法是基于深度卷積神經(jīng)網(wǎng)絡(luò)(Deep Convolutional Neural Network,DCNN)的算法,極大提高了目標(biāo)檢測率與識別率;Szegedy等[3]將已有目標(biāo)檢測的一分為二方法直接合二為一,轉(zhuǎn)為目標(biāo)回歸方法,使用回歸器對圖像中的目標(biāo)進行預(yù)測評估;Erhan等[4]采用深度卷積神經(jīng)網(wǎng)絡(luò)對目標(biāo)的包圍盒進行回歸預(yù)測,每個包圍盒所包含類別無關(guān)對象的置信度會被對應(yīng)給出;劉學(xué)平等[5]提出一種嵌入SENet結(jié)構(gòu)的改進YOLOv3目標(biāo)識別算法,減少了假正例數(shù)量,得到 90.39%的查準(zhǔn)率和 93.25%的查全率;Liu等[6]提出多尺度檢測方法SSD (Single Shot Multibox Detector,SSD),根據(jù)目標(biāo)尺寸大小自主選擇不同的預(yù)測器,預(yù)測邊界框位置中的對象類別與偏移量,同時應(yīng)用于網(wǎng)絡(luò)最后階段的多特征映射,達到了多尺度的預(yù)測效果;谷東亮等[7]調(diào)整Faster R-CNN所采用的網(wǎng)絡(luò)結(jié)構(gòu),在區(qū)域生成網(wǎng)絡(luò)的第一個全連接層后增加了一個Dropout層,使得船舶檢測準(zhǔn)確率達90.4%。

    內(nèi)河及海上復(fù)雜環(huán)境、船舶運動導(dǎo)致的船舶晃動、多條船舶相會導(dǎo)致船舶重疊、反復(fù)無常的天氣變化、船舶遠小近大的客觀成像因素差異等問題,使得船舶檢測識別率受到極大影響。

    針對以上問題,本文運用融合圖像顯著性的YOLOv3船舶目標(biāo)檢測算法,該算法是基于Darknet-53網(wǎng)絡(luò)模型。本文采用的目標(biāo)檢測模型以YOLOv3網(wǎng)絡(luò)為基礎(chǔ),首先通過大量卷積層提取目標(biāo)深度特征,然后對YOLOv3 模型結(jié)構(gòu)進行調(diào)整與改進,通過改進的非極大值抑制Soft-NMS和利用圖像顯著性FT算法提取特征與卷積深度特征進行張量操作和特征融合,提高目標(biāo)檢測精度,尤其是小目標(biāo)與重疊目標(biāo)檢測能力。

    1 YOLOv3算法

    1.1 邊界框預(yù)測

    使用K-means聚類方法得到Y(jié)OLOv3的包圍盒(Anchor Box)[8]。各邊界框(Bounding Box)的實際坐標(biāo)位置分別為[tx]、[ty]、[tw]、[th]。一幅圖像通常會被劃分成[N×N]個單元格,用[cx]和[cy]表示圖像左上角單元格的偏移量。先前得到邊界框的寬和高分別用[pw]和[ph]表示,按照式(1)即可預(yù)測出邊界框?qū)嶋H位置[9]。

    其中,邊界框中心點坐標(biāo)為[bx]、[by];邊界框?qū)捄透叩淖鴺?biāo)為[bw]、[bh];Logistic函數(shù)用[σ()]表示,坐標(biāo)歸一化范圍為0-1。

    如式(2)所示,YOLOv3 網(wǎng)絡(luò)使用邏輯回歸計算預(yù)測每個邊界框的分數(shù),即置信度,如果先驗邊界框和真實邊界框的重疊度是所有邊界框中最高的,則該置信度為1。閾值用于控制重疊部分的舍棄與否,低于則被舍棄。目標(biāo)預(yù)測的損失是先驗邊界框沒有分配真實對象所造成,但不會影響分類預(yù)測[10]。

    式(2)中,[confidence]表示預(yù)測邊界框和真實邊界框的分數(shù);[Pr(Object)]用于判斷單元格里是否存在目標(biāo)對象;[IOUtruthpred]表示預(yù)測邊界框與真實邊界框的交并比。YOLOv3網(wǎng)絡(luò)是通過相乘單元格類別概率和單元格中含有的目標(biāo)和適度確定各類別置信分數(shù),如式(3)所示。

    式(3)中,[PrClassi|Object]表示某一類別在單元格出現(xiàn)的概率;[PrClassi]表示單元格與待檢測目標(biāo)匹配度。

    1.2 Logistic分類器

    YOLOv3使用多個Logistic分類器代替Softmax 分類器,其使用多標(biāo)簽分類預(yù)測邊界框可能包含的類別,僅給每個對象分配一個先驗框[11]。使用二值交叉熵損失函數(shù)(Binary Cross-Entropy Loss)計算改進后的分類損失,交叉熵損失函數(shù)如式(4)、式(5)所示。

    眾多結(jié)構(gòu)與參數(shù)構(gòu)成了龐大的目標(biāo)檢測結(jié)構(gòu),其中[x,y]、[(w,h)]、[class]和 [confidence]是重要組成部分。在YOLOv3網(wǎng)絡(luò)中,其它部分使用的損失函數(shù)是二值交叉熵,而[(w,h)]的損失函數(shù)仍然使用總方誤差。

    總方誤差損失函數(shù)如式(6)、式(7)所示。

    其中,[yi]表示網(wǎng)絡(luò)預(yù)測值,[yi]表示標(biāo)注值。

    1.3 多尺度預(yù)測

    YOLOv3網(wǎng)絡(luò)可以預(yù)測3種不同尺度的邊界框,其主要原理是利用高層特征進行上采樣、低層特征進行自頂而下提取不同尺度下的特征[12]。在基本特征提取器中增加了卷積層,使用最后的卷積層預(yù)測一個三維張量編碼,即為邊界框、框中目標(biāo)和分類預(yù)測。如果每個尺寸的神經(jīng)網(wǎng)絡(luò)都預(yù)測了3個邊界框,則得到的張量S如式(8)所示。

    其中,4個邊界框的偏移量用[4]表示,[1]表示1個目標(biāo)預(yù)測,[classes]表示預(yù)測類別個數(shù)。

    1.4 特征提取

    YOLOv3網(wǎng)絡(luò)使用一個全新的網(wǎng)絡(luò)進行特征提取,對比YOLO系列網(wǎng)絡(luò)之前的版本,此網(wǎng)絡(luò)汲取了YOLOv2網(wǎng)絡(luò)結(jié)構(gòu)與Res Net網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)點,被稱作為Darknet-53。

    YOLOv3網(wǎng)絡(luò)第一次檢測結(jié)果是13×13的特征圖,其被多次卷積而來,通過對13×13的特征圖進行上采樣處理進而獲得26×26的特征圖,接著使用獲得的26×26特征圖與原網(wǎng)絡(luò)26×26的特征圖融合形成新特征圖,并通過多次卷積計算得到第二次檢測結(jié)果;然后對26×26的特征圖進行上采樣處理以獲得52×52的特征圖和原網(wǎng)絡(luò)52×52的特征圖融合形成的新特征圖,之后通過多次卷積得到第三次檢測結(jié)果[13]。最終檢測識別結(jié)果通過對上述3次獲得的結(jié)果圖進行非極大值抑制操作而獲得。

    2 融合圖像顯著性的YOLOv3船舶目標(biāo)檢測模型

    本文采用的目標(biāo)檢測模型以YOLOv3為基礎(chǔ)框架,針對水上船舶的特點,結(jié)合了非極大值抑制算法Soft-NMS(Soft Non-Maximum Suppression)和顯著性檢測算法FT (frequency-tuned Salient Region),進一步優(yōu)化最終檢測以達到更準(zhǔn)確的效果。用Soft-NMS算法替換原有NMS算法,提高本文算法對小目標(biāo)和重疊目標(biāo)的檢測效果。融入FT算法對船舶圖像局部細節(jié)作進一步細化,使得包圍盒回歸更加準(zhǔn)確。具體流程如圖1所示。

    2.1 圖像顯著性檢測

    圖像中能夠吸引人注意的區(qū)域,往往含有較大信息量[14]。在看一幅圖像時,人們的關(guān)注點往往是圖像中感興趣的區(qū)域,而其它剩余的不感興趣區(qū)域則被認為是無關(guān)部分。顯著區(qū)域指圖像中某些內(nèi)容最能夠表現(xiàn)出來的關(guān)鍵區(qū)域。常用圖像顯著性分析方法主要原理是根據(jù)人的注意力機制分析圖像。認知科學(xué)家根據(jù)實際情況及經(jīng)驗,提出多種數(shù)學(xué)模型,已達到模擬人注意力機制的效果[15]。

    根據(jù)頻率可將圖像劃分為低頻部分和高頻部分:圖像低頻部分反映了圖像整體信息;圖像高頻部分反映了圖像局部詳細信息。顯著區(qū)域檢測使用了低頻部分的更多信息[16]。本文使用基于低頻的FT(frequency-tuned Salient Region)算法,F(xiàn)T方法利用高斯平滑舍去背景區(qū)域最高頻部分,以突出目標(biāo)區(qū)域,像素顯著性計算公式如式(9)所示。

    其中,[Iμ]為圖像平均特征,后一項為像素p在高斯平滑后的Lab顏色特征,||.||為一種范式,即計算Lab顏色空間的歐氏距離。

    對于圖像目標(biāo)整體及突出的局部信息,本文采用顯著性檢測算法,將已檢測到的目標(biāo)區(qū)域提取對應(yīng)的顯著性特征圖,使之融合YOLOv3網(wǎng)絡(luò)的Darknet-53提取特征,加強船舶圖像語義信息,提升目標(biāo)預(yù)測框預(yù)測分數(shù),使得包圍盒回歸更為準(zhǔn)確,進而提高檢測準(zhǔn)確率,如圖2所示。

    2.2 Soft-NMS

    利用檢測邊框確定特定類別的目標(biāo),并得出置信度,以達到檢測識別目標(biāo)之目的。目標(biāo)的傳統(tǒng)檢測流程采用滑動窗口,這種窗口是多尺度的,需根據(jù)每個目標(biāo)類別的前景分數(shù)及背景分數(shù)計算每個目標(biāo)特征。當(dāng)相鄰窗口得分比較接近時,會導(dǎo)致檢測結(jié)果假陽性錯誤:錯誤的肯定。為了解決此類問題,采用非極大值抑制方法對目標(biāo)檢測結(jié)果進行再處理,進而得到正確檢測結(jié)果。非最大抑制算法有效且高效地減少了目標(biāo)檢測結(jié)果的假陽性[17]。

    圖3中,檢測算法原本應(yīng)該輸出兩個框,但是傳統(tǒng)NMS算法可能會將重疊和小目標(biāo)的船舶過濾掉,導(dǎo)致只檢測出一只船舶,因此目標(biāo)召回率較低。

    傳統(tǒng)非極大值抑制算法原理是:在檢測到的圖片中生成所需檢測框B和檢測框?qū)?yīng)分數(shù)S,對選擇得分最高的檢測M,將其從檢測幀B中刪除,并將其存儲在最終檢測結(jié)果集D中。同時,大于設(shè)定重疊閾值[Nt]的部分:集合B中任何與檢測框M的重疊部分會被移除。非極大值抑制算法中將相鄰檢測框的分數(shù)均強制歸零,這就是最大問題所在[18]。此時,如果重疊區(qū)域出現(xiàn)目標(biāo),則存在目標(biāo)漏檢情況,甚至導(dǎo)致檢測失敗,從而降低了算法平均檢測率AP(Average Precision)。

    如圖4所示,本文在YOLOv3網(wǎng)絡(luò)中加入Soft-NMS算法。該算法是在非極大值抑制算法上作出改進,設(shè)置了衰減函數(shù),使得重疊部分相鄰檢測框的分數(shù)不會置零。如果檢測框與M重疊部分較大,則得分低;如果檢測框與M重疊部分較小,則此部分原始得分不會發(fā)生改變。在標(biāo)準(zhǔn)數(shù)據(jù)集PASCAL VOC 2016 和 MS-COCO 2018等標(biāo)準(zhǔn)數(shù)據(jù)集上,加入Soft-NMS的目標(biāo)檢測算法在目標(biāo)有重疊部分時檢測平均準(zhǔn)確率顯著提升。

    傳統(tǒng)NMS方法可通過分數(shù)重置函數(shù)(Rescoring Function)表達,如式(10)所示。

    通過NMS設(shè)置的硬閾值判斷相鄰檢測框是否應(yīng)被保留。若檢測框[bi]與檢測框M高度重疊,易出現(xiàn)漏檢情況;若檢測框[bi]中所包含的目標(biāo)是不同于檢測框M中的目標(biāo),則即使在檢測閾值較低情況下,該目標(biāo)也不會被漏檢;若檢測框[bi]中不包含任何目標(biāo),則在衰減過后,會產(chǎn)生假陽性效果并且檢測框[bi]的得分會很高。通過較低的NMS重疊閾值設(shè)置,以達到移除所有相鄰檢測框的效果,這種做法顯然不是最優(yōu)解,并且極易出現(xiàn)誤檢、漏檢等情況,尤其是在目標(biāo)高度重疊的部分[19]。

    Soft-NMS中的分數(shù)重置函數(shù):衰減與檢測框M有重疊相鄰檢測框的分數(shù),重疊度越高,越容易導(dǎo)致錯誤結(jié)果,也越嚴(yán)重地造成分數(shù)衰減。如此,需對NMS的分數(shù)重置函數(shù)作出必要改進,如式(11)所示。

    其中,閾值[Nt]用于規(guī)定重疊度范圍,使相鄰檢測框與M的重疊度大于[Nt]的檢測框在檢測分數(shù)上呈線性衰減。此時,極大地衰減與M相鄰越近的檢測框,而遠離M的檢測框則反之[20]。

    使用權(quán)重函數(shù)乘以當(dāng)前檢測框得分,此權(quán)重函數(shù)與最高得分檢測框M有重疊的相鄰檢測框分數(shù)會出現(xiàn)衰減,檢測框與M框重疊度越高,衰減程度越嚴(yán)重。因此,選用高斯函數(shù)為權(quán)重函數(shù),改變其檢測框刪除規(guī)則。高斯權(quán)重函數(shù)如式(12)所示。

    如圖4所示,權(quán)重函數(shù)f(iou(M,bi))是基于檢測框的重疊程度。算法中每一步的復(fù)雜度用[O(N)]表示,表示圖片中有N個檢測框,Soft-NMS算法復(fù)雜度為[O(N2)],與傳統(tǒng)NMS算法有一定相同之處。

    如圖5所示,相對于傳統(tǒng)NMS算法,Soft- NMS 算法能夠提高模型檢測與分類效果,且不增加額外計算量。Soft-NMS對重疊和小目標(biāo)有較好檢測效果,能很好地融入本文算法,降低漏檢率,加快運算速度。

    3 訓(xùn)練

    算法檢測速率快慢、準(zhǔn)確率高低取決于數(shù)據(jù)集是否兼具數(shù)量與質(zhì)量。由于目前沒有公共的開源船舶數(shù)據(jù)庫,因此將小組成員制作的船舶數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)集。小組成員經(jīng)過省內(nèi)多地實地考察,最終選擇長江作為數(shù)據(jù)采集地。采集20 000張船舶目標(biāo)圖片,選取6 000張多目標(biāo)圖片與3 000張單目標(biāo)圖片,利用LabelImg工具進行標(biāo)注,記錄船舶圖像左上右下位置及類別,生成xml格式[21],本文將船舶類別分為3類,分別為“xunluochuan、kechuan、huochuan”。

    本文實驗仿真環(huán)境:ThinkStation,內(nèi)存為128GB,GPU處理器為RTX2080Ti,軟件環(huán)境為Python3.7.3、VS2015、Opencv3.4.2、JetBrains PyCharm 2019.1.2、Anaconda3.4.1、CUDA10.0、CUDNNv7.1, TensorFlow1.2.1。

    本文選擇的特征提取網(wǎng)絡(luò)為Darknet-53,權(quán)重初始值是在通用目標(biāo)訓(xùn)練集上訓(xùn)練而來,具有一定普適性。本文選取的訓(xùn)練圖片為5 000張,測試圖片為2 000張,學(xué)習(xí)率為0.001,Momentum設(shè)置為0.9,Weight Decay設(shè)置為0.000 5。

    4 實驗結(jié)果與分析

    考慮到算法的合理性、有效性及魯棒性,本文算法訓(xùn)練迭代次數(shù)設(shè)置為50 200次。由圖6可知,當(dāng)訓(xùn)練次數(shù)在30 000次左右時,平均損失函數(shù)值在一個數(shù)值0.0 920上下浮動,并趨于穩(wěn)定,表明訓(xùn)練過程收斂,達到了良好效果。

    召回率與準(zhǔn)確率曲線衡量一個分類器的重要性能指標(biāo),實驗設(shè)定IOU的閾值為0.5,對3類船舶進行檢測。圖7—圖9是本文算法訓(xùn)練的召回率與準(zhǔn)確率關(guān)系曲線,可以看出,準(zhǔn)確率有振蕩出現(xiàn),表明正樣本被判斷為正例在變多,但負樣本被判斷為正例也在變多。本文3種船舶的PR曲線、高點AP(Average Precision)值、PR曲線下圍面積,整體趨于良好表現(xiàn),體現(xiàn)出本文算法的良好性能。

    實驗結(jié)果根據(jù)本文建立的訓(xùn)練集和測試集而得,圖10和表1是本文方法實驗結(jié)果。分析可知,本文方法明顯優(yōu)于熱門的深度學(xué)習(xí)算法Faster R-CNN、YOLOv3(You Only Look Once v3),檢測速率得到一定程度提高,每秒大約檢測30張圖片;通過傳統(tǒng)深度學(xué)習(xí)算法能夠很好地進行船舶圖像目標(biāo)檢測,但相對而言,目標(biāo)檢測速度較慢,每秒鐘只能檢測大約13張圖片;本文方法是對算法YOLOv3的改進,在水上船舶檢測中顯著減少了算法訓(xùn)練和檢測時間,提高了準(zhǔn)確率。改進的YOLOv3深度網(wǎng)絡(luò)經(jīng)過訓(xùn)練后進行測試并驗證,比較Faster R-CNN和 YOLOv3算法在相同訓(xùn)練集與測試集上進行訓(xùn)練、測試與驗證,發(fā)現(xiàn)改進的YOLOv3算法準(zhǔn)確率可提高到97%,主要原因是本文算法加入了圖像顯著性FT算法與Soft-NNS,提高了算法對預(yù)測邊界框與真實框的預(yù)測率。

    5 結(jié)語

    本文提出了一種改進的船舶目標(biāo)檢測算法,在YOLOv3深度模型中利用Soft-NMS替換原有NMS,減小了重疊目標(biāo)漏檢率;利用顯著性檢測FT算法,突出感興趣區(qū)域,使背景區(qū)域與目標(biāo)區(qū)域有顯著差別,從而加強YOLOv3邊框回歸的可靠性。從實驗結(jié)果可知,本文方法兼具穩(wěn)定、快速與準(zhǔn)確等優(yōu)點,能夠應(yīng)對復(fù)雜的水面環(huán)境,發(fā)揮出算法在檢測、速度上的最大優(yōu)勢。

    本文算法主要依賴于高性能計算能力的硬件設(shè)備和高質(zhì)量訓(xùn)練數(shù)據(jù),如何輕量化網(wǎng)絡(luò)模型,考慮訓(xùn)練集的圖像視頻幀之間的關(guān)系,實現(xiàn)更加高效、多尺度的水面船舶目標(biāo)檢測,是進一步研究的問題。

    參考文獻:

    [1] 王春艷,劉正熙. 結(jié)合深度學(xué)習(xí)的多目標(biāo)跟蹤算法[J]. 現(xiàn)代計算機(專業(yè)版),2019(6):55-59.

    [2] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet classification with deep convolutional neural networks[C]. NIPS2012:Proceedings of the 25th International Conference on Neural Information Processing Systems,2012: 1097-1105.

    [3] SZEGEDY C, TOSHEV A, ERHAN D. Deep neural networks for object detection[C].? Proceedings of the 2013 International Conference on Neural Information Processing Systems.Cambridge, MA: MIT Press, 2013: 2553-2561.

    [4] ERHAN D, SZEGEDY C, TOSHEV A , et al.Scalable object detection using deep neural networks[C]. CVPR 2014: Proceedings? of? the 2014? IEEE Conference on Computer Vision and Pattern Recognition,2014: 2155-2162.

    [5] 劉學(xué)平,李玙乾,劉勵,等. 嵌入SENet結(jié)構(gòu)的改進YOLOV3目標(biāo)識別算法[J]. 計算機工程,2019,45(11):243-248.

    [6] LIU W, ANGUELOV D, ERHAN D, et al. SSD: single shot multibox detector[C]. Proceedings of the 2016 European Conference on Computer Vision, 2016: 21-37.

    [7] 谷東亮,徐曉剛,金鑫. 基于Faster R-CNN的海上船舶識別算法[J]. 圖像與信號處理,2018,7(3): 136-141.

    [8] 葛雯,史正偉. 改進YOLOV3算法在行人識別中的應(yīng)用[J]. 計算機工程與應(yīng)用,2019,55(20):128-133.

    [9] 呂鑠,蔡烜,馮瑞. 基于改進損失函數(shù)的YOLOv3網(wǎng)絡(luò)[J]. 計算機系統(tǒng)應(yīng)用,2019,28(2):1-7.

    [10] 李慧欣. 艦船視覺系統(tǒng)海空多目標(biāo)識別與跟蹤技術(shù)研究[D].? 哈爾濱:哈爾濱工程大學(xué),2019.

    [11] 周龍,韋素媛,崔忠馬,等. 基于深度學(xué)習(xí)的復(fù)雜背景雷達圖像多目標(biāo)檢測[J]. 系統(tǒng)工程與電子技術(shù),2019,41(6):1258-1264.

    [12] 王璽坤,姜宏旭,林珂玉. 基于改進型YOLO算法的遙感圖像艦船檢測[J/OL]. 北京航空航天大學(xué)學(xué)報:1-10. 2019-12-27. https://kns.cnki.net/KCMS/detail/11.2625.v.20191024.1126.003.html.

    [13] 魏宏彬,張端金,杜廣明,等. 基于改進型YOLO v3的蔬菜識別算法[J/OL]. 鄭州大學(xué)學(xué)報(工學(xué)版):1-6. 2020-03-04. https://kns.cnki.net/KCMS/detail/41.1339.T.20191219.1601.005.html.

    [14] 張守東,楊明,胡太. 基于多特征融合的顯著性目標(biāo)檢測算法[J]. 計算機科學(xué)與探索,2019,13(5):834-845.

    [15] 李鑫,陳雷霆,蔡洪斌,等. 基于雙層多尺度神經(jīng)網(wǎng)絡(luò)的顯著性對象檢測算法[J]. 微電子學(xué)與計算機,2018,35(11):1-7.

    [16] 李平娜,吳清. 改進的頻域協(xié)調(diào)顯著性檢測及應(yīng)用[J]. 現(xiàn)代計算機(專業(yè)版),2017,34(8):77-80.

    [17] 趙文清,嚴(yán)海,邵緒強. 改進的非極大值抑制算法的目標(biāo)檢測[J]. 中國圖象圖形學(xué)報,2018,23(11):1676-1685.

    [18] 張海玉,陳久紅. 一種基于深度學(xué)習(xí)的夜間車流量檢測方法[J]. 軟件導(dǎo)刊,2019,18(9):33-37.

    [19] HE K M,ZHANG X Y,REN S Q,et al.Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015,37(9): 1904-1916.

    [20] 張銀松,趙銀娣,袁慕策. 基于改進Faster-RCNN模型的粘蟲板圖像昆蟲識別與計數(shù)[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報,2019,24(5):115-122.

    [21] 譚俊. 一個改進的YOLOv3目標(biāo)識別算法研究[D]. 武漢:華中科技大學(xué),2018.

    (責(zé)任編輯:孫 娟)

    亚洲国产精品成人久久小说| 男女边吃奶边做爰视频| 精品少妇内射三级| 超碰97精品在线观看| 日日啪夜夜爽| 另类亚洲欧美激情| 亚洲av欧美aⅴ国产| 最黄视频免费看| 国产成人精品婷婷| 99久久综合免费| 日韩 亚洲 欧美在线| 国产爽快片一区二区三区| 久热这里只有精品99| a级片在线免费高清观看视频| 在线亚洲精品国产二区图片欧美| 亚洲欧美一区二区三区国产| 久久韩国三级中文字幕| av片东京热男人的天堂| 国产免费现黄频在线看| 成人午夜精彩视频在线观看| 九九爱精品视频在线观看| 99久久精品国产国产毛片| 精品久久国产蜜桃| 久久精品久久久久久噜噜老黄| 亚洲激情五月婷婷啪啪| 国产福利在线免费观看视频| 色94色欧美一区二区| 自线自在国产av| 国产精品99久久99久久久不卡 | 久久久久国产网址| 男人操女人黄网站| av在线播放精品| 青春草国产在线视频| 在线观看免费视频网站a站| 成年动漫av网址| 美女视频免费永久观看网站| 亚洲精品国产av成人精品| 一级毛片 在线播放| 国产黄色免费在线视频| 亚洲av日韩在线播放| 国产探花极品一区二区| 亚洲国产精品国产精品| 成人影院久久| 日韩av在线免费看完整版不卡| 亚洲精品美女久久久久99蜜臀 | 欧美3d第一页| 精品一区二区三区视频在线| 国产成人免费无遮挡视频| 亚洲美女搞黄在线观看| 97人妻天天添夜夜摸| 26uuu在线亚洲综合色| 成人亚洲精品一区在线观看| 在线观看免费视频网站a站| 中文乱码字字幕精品一区二区三区| 97在线视频观看| 国产一区亚洲一区在线观看| 成人漫画全彩无遮挡| 欧美国产精品一级二级三级| 国产av一区二区精品久久| 中文字幕免费在线视频6| 精品一区二区三卡| 欧美 日韩 精品 国产| 在线观看美女被高潮喷水网站| 日本vs欧美在线观看视频| 在线观看三级黄色| 久久人人爽人人爽人人片va| 国产成人精品婷婷| 我的女老师完整版在线观看| 国产精品无大码| 午夜福利网站1000一区二区三区| videosex国产| 国产精品国产av在线观看| 亚洲伊人色综图| 天堂俺去俺来也www色官网| 久久国内精品自在自线图片| 亚洲精品久久午夜乱码| 国产精品三级大全| 一本—道久久a久久精品蜜桃钙片| av片东京热男人的天堂| 亚洲精品乱久久久久久| 自拍欧美九色日韩亚洲蝌蚪91| 久久精品国产自在天天线| av网站免费在线观看视频| 国产又色又爽无遮挡免| 久久久久久久亚洲中文字幕| 妹子高潮喷水视频| 热99国产精品久久久久久7| 精品一区二区三区视频在线| 夜夜骑夜夜射夜夜干| 日日摸夜夜添夜夜爱| 国产在视频线精品| 美国免费a级毛片| 男男h啪啪无遮挡| 91精品伊人久久大香线蕉| 美女福利国产在线| av国产久精品久网站免费入址| 美国免费a级毛片| 国产片特级美女逼逼视频| 人妻少妇偷人精品九色| 高清欧美精品videossex| 男女高潮啪啪啪动态图| 晚上一个人看的免费电影| 免费观看性生交大片5| 少妇的丰满在线观看| 亚洲色图 男人天堂 中文字幕 | 90打野战视频偷拍视频| 蜜桃在线观看..| 黄片播放在线免费| 亚洲国产欧美在线一区| 国产欧美另类精品又又久久亚洲欧美| 精品一区二区免费观看| 国产麻豆69| 少妇人妻 视频| 成人国产麻豆网| av福利片在线| 亚洲伊人久久精品综合| 亚洲伊人久久精品综合| 色吧在线观看| 中文天堂在线官网| 韩国精品一区二区三区 | 少妇的丰满在线观看| 两性夫妻黄色片 | 久久精品久久精品一区二区三区| 久久久国产一区二区| 99精国产麻豆久久婷婷| 精品国产一区二区三区久久久樱花| 免费av不卡在线播放| 插逼视频在线观看| 看十八女毛片水多多多| videosex国产| 香蕉丝袜av| 国产成人精品久久久久久| 男女免费视频国产| 精品福利永久在线观看| 一级片免费观看大全| 欧美另类一区| 纯流量卡能插随身wifi吗| 免费高清在线观看日韩| 国产精品三级大全| 久久久久久久大尺度免费视频| 老司机影院毛片| 国产成人精品婷婷| 18禁动态无遮挡网站| 熟女电影av网| 久久影院123| 欧美日韩亚洲高清精品| 日本黄大片高清| 日本猛色少妇xxxxx猛交久久| a级毛色黄片| 少妇高潮的动态图| 国产男人的电影天堂91| 秋霞在线观看毛片| 精品国产一区二区三区久久久樱花| 亚洲内射少妇av| 久久精品久久久久久久性| 国产在线免费精品| 在线观看三级黄色| 麻豆精品久久久久久蜜桃| 一本—道久久a久久精品蜜桃钙片| 97人妻天天添夜夜摸| 亚洲欧美成人精品一区二区| 亚洲成人av在线免费| 亚洲熟女精品中文字幕| 99热网站在线观看| 亚洲综合色网址| 又黄又粗又硬又大视频| 日韩制服丝袜自拍偷拍| 少妇的逼水好多| 日韩一本色道免费dvd| 国产一区二区在线观看日韩| 一级a做视频免费观看| 大片电影免费在线观看免费| 欧美日韩国产mv在线观看视频| 麻豆精品久久久久久蜜桃| 久久婷婷青草| 成人毛片60女人毛片免费| 九色成人免费人妻av| 亚洲欧美清纯卡通| 日韩制服丝袜自拍偷拍| 黄色一级大片看看| 五月伊人婷婷丁香| 国产精品女同一区二区软件| 一边摸一边做爽爽视频免费| 国产又爽黄色视频| 香蕉丝袜av| av免费在线看不卡| 一区二区三区乱码不卡18| 欧美变态另类bdsm刘玥| 亚洲av男天堂| 999精品在线视频| 亚洲成色77777| 亚洲伊人久久精品综合| 国产成人a∨麻豆精品| 丰满饥渴人妻一区二区三| 在线免费观看不下载黄p国产| 18禁观看日本| 亚洲,欧美,日韩| 人人妻人人澡人人爽人人夜夜| 一级毛片黄色毛片免费观看视频| 美女主播在线视频| 国产极品粉嫩免费观看在线| 亚洲精品久久午夜乱码| 晚上一个人看的免费电影| 国产在线视频一区二区| 69精品国产乱码久久久| 久久99热这里只频精品6学生| 亚洲av综合色区一区| 亚洲,欧美,日韩| 制服诱惑二区| 国产成人av激情在线播放| 亚洲精品中文字幕在线视频| 交换朋友夫妻互换小说| 一区二区三区乱码不卡18| 亚洲欧美成人精品一区二区| 久久久国产一区二区| 欧美日韩亚洲高清精品| 肉色欧美久久久久久久蜜桃| 黑人欧美特级aaaaaa片| 国产淫语在线视频| 精品久久久久久电影网| 亚洲精品456在线播放app| 黑丝袜美女国产一区| 久久这里只有精品19| 久久99热这里只频精品6学生| 下体分泌物呈黄色| 夜夜爽夜夜爽视频| 人成视频在线观看免费观看| 国产亚洲欧美精品永久| 最近手机中文字幕大全| 国产精品久久久av美女十八| 人体艺术视频欧美日本| 亚洲美女黄色视频免费看| 9色porny在线观看| 啦啦啦啦在线视频资源| 91精品三级在线观看| 观看av在线不卡| av卡一久久| 久久精品国产鲁丝片午夜精品| 老司机影院毛片| 精品一区二区三区四区五区乱码 | 亚洲人成77777在线视频| 91久久精品国产一区二区三区| 黑人巨大精品欧美一区二区蜜桃 | 天天躁夜夜躁狠狠躁躁| 欧美精品一区二区免费开放| 日韩 亚洲 欧美在线| 黑丝袜美女国产一区| 9色porny在线观看| 亚洲人成网站在线观看播放| 久久久国产一区二区| 亚洲美女搞黄在线观看| 国产黄频视频在线观看| 狂野欧美激情性bbbbbb| 精品国产一区二区三区久久久樱花| 久久热在线av| av视频免费观看在线观看| 七月丁香在线播放| 熟妇人妻不卡中文字幕| 成人黄色视频免费在线看| 男人爽女人下面视频在线观看| 伦理电影大哥的女人| 国产片内射在线| 国产色爽女视频免费观看| av免费观看日本| 最近2019中文字幕mv第一页| 男女下面插进去视频免费观看 | 午夜福利网站1000一区二区三区| 春色校园在线视频观看| 亚洲av电影在线进入| 黑人欧美特级aaaaaa片| 国产又色又爽无遮挡免| 免费久久久久久久精品成人欧美视频 | 伊人久久国产一区二区| 国产精品成人在线| 最近的中文字幕免费完整| 插逼视频在线观看| 精品国产国语对白av| 99re6热这里在线精品视频| 亚洲内射少妇av| 精品人妻一区二区三区麻豆| 久久久久精品久久久久真实原创| 欧美 日韩 精品 国产| 亚洲精品日韩在线中文字幕| 九色亚洲精品在线播放| 狠狠婷婷综合久久久久久88av| 国产成人免费无遮挡视频| 欧美激情 高清一区二区三区| 一级片'在线观看视频| 亚洲少妇的诱惑av| 草草在线视频免费看| 99热全是精品| 波野结衣二区三区在线| 日韩大片免费观看网站| 国产成人aa在线观看| 男人添女人高潮全过程视频| 超色免费av| 热re99久久国产66热| 精品一区二区三卡| 国产黄频视频在线观看| av卡一久久| 大片免费播放器 马上看| 免费黄频网站在线观看国产| 久久免费观看电影| 欧美日韩视频高清一区二区三区二| 天天躁夜夜躁狠狠躁躁| 国产免费福利视频在线观看| av天堂久久9| 熟妇人妻不卡中文字幕| 久久99一区二区三区| 久久久久人妻精品一区果冻| 精品99又大又爽又粗少妇毛片| 日本免费在线观看一区| 中文字幕最新亚洲高清| 内地一区二区视频在线| 亚洲国产精品一区二区三区在线| 精品第一国产精品| 久久久久久人妻| av网站免费在线观看视频| 青青草视频在线视频观看| 五月玫瑰六月丁香| 美女福利国产在线| 亚洲伊人色综图| 人体艺术视频欧美日本| 欧美精品国产亚洲| 国产乱来视频区| 久久久久国产网址| 日韩中文字幕视频在线看片| 狂野欧美激情性bbbbbb| 国产成人精品一,二区| 国产精品 国内视频| 黄色怎么调成土黄色| 亚洲精品456在线播放app| 一二三四在线观看免费中文在 | 久久国产精品大桥未久av| 亚洲一级一片aⅴ在线观看| 久久99热6这里只有精品| 亚洲国产精品一区二区三区在线| 国产精品久久久久久av不卡| 一区二区日韩欧美中文字幕 | 欧美人与性动交α欧美软件 | 午夜免费鲁丝| 久热这里只有精品99| 亚洲av男天堂| 蜜桃国产av成人99| 精品人妻偷拍中文字幕| 午夜91福利影院| 不卡视频在线观看欧美| 有码 亚洲区| 日本91视频免费播放| 哪个播放器可以免费观看大片| 午夜福利影视在线免费观看| 亚洲,欧美,日韩| 91国产中文字幕| www日本在线高清视频| 日本黄色日本黄色录像| 亚洲av福利一区| 亚洲精品中文字幕在线视频| 久久免费观看电影| 午夜老司机福利剧场| 国产伦理片在线播放av一区| av免费在线看不卡| 一二三四在线观看免费中文在 | 婷婷色综合大香蕉| 亚洲av免费高清在线观看| 十八禁网站网址无遮挡| 啦啦啦在线观看免费高清www| 女人被躁到高潮嗷嗷叫费观| av网站免费在线观看视频| 精品少妇内射三级| 99re6热这里在线精品视频| 亚洲国产欧美在线一区| 国产精品久久久久久久久免| 午夜福利网站1000一区二区三区| 黄色毛片三级朝国网站| 另类亚洲欧美激情| 少妇人妻久久综合中文| 国产精品久久久久久久久免| 视频在线观看一区二区三区| 麻豆精品久久久久久蜜桃| 在线观看免费日韩欧美大片| 久热久热在线精品观看| 视频区图区小说| 国产深夜福利视频在线观看| 99久久中文字幕三级久久日本| 日日啪夜夜爽| 五月玫瑰六月丁香| 两个人免费观看高清视频| av一本久久久久| 久久亚洲国产成人精品v| 9色porny在线观看| 国产一区二区激情短视频 | videos熟女内射| 亚洲成国产人片在线观看| 天天影视国产精品| 欧美国产精品一级二级三级| 国产成人一区二区在线| 亚洲色图综合在线观看| 国产精品一区二区在线观看99| 亚洲国产最新在线播放| 国产免费福利视频在线观看| 久久久久国产精品人妻一区二区| 香蕉国产在线看| 久久久久久人人人人人| 亚洲国产av新网站| 一级爰片在线观看| 欧美国产精品一级二级三级| 午夜福利,免费看| 亚洲情色 制服丝袜| 国产在线视频一区二区| 久久精品国产综合久久久 | 建设人人有责人人尽责人人享有的| av播播在线观看一区| 国产无遮挡羞羞视频在线观看| 日本色播在线视频| 久久精品国产亚洲av天美| 色婷婷av一区二区三区视频| 夜夜爽夜夜爽视频| 在线观看国产h片| 国产探花极品一区二区| 亚洲婷婷狠狠爱综合网| 亚洲欧美精品自产自拍| 久久精品夜色国产| 成人黄色视频免费在线看| 久久久久久人妻| 一级毛片 在线播放| 国产色婷婷99| 中文字幕最新亚洲高清| 欧美激情极品国产一区二区三区 | a级毛片在线看网站| 99热这里只有是精品在线观看| 男人操女人黄网站| 久久精品国产亚洲av天美| 中国三级夫妇交换| 少妇的逼水好多| 综合色丁香网| 大陆偷拍与自拍| 国产精品久久久久成人av| 国产成人精品无人区| 一二三四在线观看免费中文在 | 97精品久久久久久久久久精品| av播播在线观看一区| 天天躁夜夜躁狠狠躁躁| 大码成人一级视频| 亚洲精品一二三| 亚洲精品久久午夜乱码| 免费av不卡在线播放| 亚洲第一区二区三区不卡| 国产精品久久久久久精品电影小说| 1024视频免费在线观看| 欧美日韩亚洲高清精品| 亚洲一级一片aⅴ在线观看| 亚洲丝袜综合中文字幕| 人人澡人人妻人| 性高湖久久久久久久久免费观看| 最近手机中文字幕大全| 亚洲激情五月婷婷啪啪| 51国产日韩欧美| 如日韩欧美国产精品一区二区三区| 纯流量卡能插随身wifi吗| 一级毛片 在线播放| 男女无遮挡免费网站观看| 亚洲av电影在线观看一区二区三区| 九草在线视频观看| 日本欧美国产在线视频| av在线观看视频网站免费| 亚洲成人一二三区av| 亚洲av成人精品一二三区| 国产成人精品一,二区| 国产片内射在线| 国产欧美亚洲国产| 亚洲四区av| 丝袜人妻中文字幕| 天天躁夜夜躁狠狠躁躁| 欧美精品国产亚洲| 欧美老熟妇乱子伦牲交| 毛片一级片免费看久久久久| 男女下面插进去视频免费观看 | 亚洲国产av新网站| 在线观看免费视频网站a站| 国产成人av激情在线播放| 亚洲人成77777在线视频| 亚洲国产精品成人久久小说| 国产精品无大码| 极品少妇高潮喷水抽搐| 欧美国产精品一级二级三级| 精品酒店卫生间| 欧美 亚洲 国产 日韩一| a级毛片在线看网站| 飞空精品影院首页| 精品午夜福利在线看| 亚洲国产精品999| 热re99久久国产66热| 永久免费av网站大全| 免费看av在线观看网站| 日韩大片免费观看网站| 18禁国产床啪视频网站| 国产免费一区二区三区四区乱码| 伊人亚洲综合成人网| 亚洲人与动物交配视频| 日韩av在线免费看完整版不卡| 亚洲五月色婷婷综合| 中文字幕亚洲精品专区| 九九在线视频观看精品| 啦啦啦视频在线资源免费观看| 久久久久精品人妻al黑| 天堂8中文在线网| 精品一品国产午夜福利视频| 亚洲美女视频黄频| 欧美成人精品欧美一级黄| 美女主播在线视频| 国产欧美日韩一区二区三区在线| 欧美日韩精品成人综合77777| 久热久热在线精品观看| 国产一区二区在线观看日韩| 亚洲国产成人一精品久久久| 26uuu在线亚洲综合色| 婷婷成人精品国产| 一区在线观看完整版| 亚洲精品中文字幕在线视频| 波多野结衣一区麻豆| 中文字幕制服av| 亚洲国产av新网站| 91成人精品电影| av又黄又爽大尺度在线免费看| 免费人成在线观看视频色| 欧美国产精品一级二级三级| 18禁国产床啪视频网站| 人人妻人人添人人爽欧美一区卜| 久久久久精品人妻al黑| 亚洲色图综合在线观看| 成人免费观看视频高清| av卡一久久| 日本免费在线观看一区| 免费看av在线观看网站| 五月玫瑰六月丁香| 国产xxxxx性猛交| 大片电影免费在线观看免费| 久久久精品免费免费高清| 又粗又硬又长又爽又黄的视频| 久久久久精品人妻al黑| av女优亚洲男人天堂| av免费观看日本| 青春草视频在线免费观看| 校园人妻丝袜中文字幕| 永久免费av网站大全| 国产欧美日韩一区二区三区在线| 精品久久国产蜜桃| 色94色欧美一区二区| 亚洲精品第二区| 国产一区二区在线观看av| kizo精华| 日韩免费高清中文字幕av| av在线观看视频网站免费| 精品亚洲成a人片在线观看| 国产日韩一区二区三区精品不卡| 色网站视频免费| 国产亚洲一区二区精品| 久久久久视频综合| 不卡视频在线观看欧美| a 毛片基地| 少妇人妻 视频| 午夜福利乱码中文字幕| 亚洲成人手机| 这个男人来自地球电影免费观看 | 日日摸夜夜添夜夜爱| 日韩人妻精品一区2区三区| 久久精品国产亚洲av天美| 国产高清国产精品国产三级| 大陆偷拍与自拍| 韩国高清视频一区二区三区| 777米奇影视久久| 伦理电影大哥的女人| 99热6这里只有精品| 国产精品国产三级国产av玫瑰| 亚洲精品美女久久久久99蜜臀 | 日本色播在线视频| 免费人成在线观看视频色| 丝袜美足系列| 91国产中文字幕| 亚洲国产看品久久| 午夜福利视频精品| 2022亚洲国产成人精品| tube8黄色片| 免费观看无遮挡的男女| 这个男人来自地球电影免费观看 | 亚洲av在线观看美女高潮| 国产高清国产精品国产三级| 日本-黄色视频高清免费观看| 久热久热在线精品观看| 多毛熟女@视频| 国产av精品麻豆| 婷婷成人精品国产| 男女边吃奶边做爰视频| 插逼视频在线观看| 欧美 日韩 精品 国产| 男女高潮啪啪啪动态图| 免费女性裸体啪啪无遮挡网站| 中文字幕制服av| 中文字幕最新亚洲高清| 国产成人精品在线电影| 女性被躁到高潮视频| 日本与韩国留学比较| 一本大道久久a久久精品| 18+在线观看网站| 亚洲色图综合在线观看| 大话2 男鬼变身卡| 国产无遮挡羞羞视频在线观看| 成人国产av品久久久| 亚洲成人av在线免费| 97人妻天天添夜夜摸| 国产精品无大码| 又黄又爽又刺激的免费视频.| 国产精品一区二区在线不卡| 亚洲成人av在线免费| 亚洲欧美日韩另类电影网站|