• <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)

    少妇被粗大猛烈的视频| av在线播放精品| 久久久国产成人免费| 最新在线观看一区二区三区| 97超碰精品成人国产| 亚洲精品一卡2卡三卡4卡5卡| 男人舔奶头视频| 久久中文看片网| 国产精品久久久久久av不卡| 成熟少妇高潮喷水视频| 精品少妇黑人巨大在线播放 | 在线免费观看不下载黄p国产| 亚洲av熟女| 直男gayav资源| 插阴视频在线观看视频| 99riav亚洲国产免费| 美女内射精品一级片tv| 亚洲av一区综合| av在线播放精品| 综合色丁香网| 欧美激情在线99| 亚洲中文字幕一区二区三区有码在线看| 国产亚洲av嫩草精品影院| 久久精品综合一区二区三区| 久久精品91蜜桃| 别揉我奶头 嗯啊视频| 日本三级黄在线观看| 99精品在免费线老司机午夜| 亚洲av五月六月丁香网| 亚洲成人久久性| 色哟哟哟哟哟哟| 午夜影院日韩av| 久久精品久久久久久噜噜老黄 | 别揉我奶头 嗯啊视频| 中文字幕久久专区| 亚洲国产日韩欧美精品在线观看| 色综合色国产| 身体一侧抽搐| 亚洲精品在线观看二区| 在线观看av片永久免费下载| 精品久久久噜噜| 少妇熟女欧美另类| 久久久久九九精品影院| 男人的好看免费观看在线视频| 性色avwww在线观看| 高清毛片免费观看视频网站| 禁无遮挡网站| 成人无遮挡网站| 男女视频在线观看网站免费| 亚洲婷婷狠狠爱综合网| 亚洲精品国产av成人精品 | 日韩一区二区视频免费看| 在线播放无遮挡| 亚洲美女视频黄频| 亚洲av五月六月丁香网| 久久鲁丝午夜福利片| 成人精品一区二区免费| 一级av片app| 51国产日韩欧美| 久久久国产成人免费| 国产淫片久久久久久久久| 国产真实乱freesex| 国产人妻一区二区三区在| 精品福利观看| 变态另类成人亚洲欧美熟女| 嫩草影视91久久| 日本色播在线视频| 久久久久久久久大av| www.色视频.com| 国产三级在线视频| 欧美一区二区精品小视频在线| av卡一久久| 久久精品国产亚洲av涩爱 | 国产69精品久久久久777片| 欧美潮喷喷水| 男人的好看免费观看在线视频| 国产午夜精品久久久久久一区二区三区 | 欧美色欧美亚洲另类二区| 久久草成人影院| 欧美+日韩+精品| 三级国产精品欧美在线观看| 国产精品一区二区三区四区久久| 亚洲国产色片| 美女被艹到高潮喷水动态| 人人妻人人澡人人爽人人夜夜 | 免费在线观看成人毛片| 欧美激情国产日韩精品一区| 亚洲欧美日韩无卡精品| 免费人成视频x8x8入口观看| 国产又黄又爽又无遮挡在线| 91久久精品电影网| 99在线人妻在线中文字幕| 久久午夜亚洲精品久久| 99热精品在线国产| 22中文网久久字幕| 亚洲av一区综合| 在线看三级毛片| 亚洲丝袜综合中文字幕| 蜜臀久久99精品久久宅男| 久久久久久大精品| 国产精品伦人一区二区| 一个人看的www免费观看视频| 韩国av在线不卡| 色综合色国产| 啦啦啦观看免费观看视频高清| 欧美成人精品欧美一级黄| 狂野欧美白嫩少妇大欣赏| 级片在线观看| 久久热精品热| 色综合站精品国产| 免费看日本二区| 色综合色国产| 长腿黑丝高跟| 精品人妻熟女av久视频| 欧美日韩国产亚洲二区| 久久亚洲精品不卡| 男人和女人高潮做爰伦理| 日日摸夜夜添夜夜添小说| 日韩欧美 国产精品| 有码 亚洲区| 国产精品嫩草影院av在线观看| 免费观看精品视频网站| 色在线成人网| 欧美xxxx黑人xx丫x性爽| 一本精品99久久精品77| 悠悠久久av| 国国产精品蜜臀av免费| 国产v大片淫在线免费观看| 国产精品乱码一区二三区的特点| 一进一出好大好爽视频| 1024手机看黄色片| 日韩欧美在线乱码| 少妇丰满av| 午夜老司机福利剧场| 国产 一区 欧美 日韩| 国产极品精品免费视频能看的| 免费高清视频大片| 非洲黑人性xxxx精品又粗又长| 在线播放无遮挡| 色在线成人网| 免费观看的影片在线观看| 精品国内亚洲2022精品成人| 无遮挡黄片免费观看| av在线播放精品| 欧美国产日韩亚洲一区| 欧美一区二区精品小视频在线| 丰满乱子伦码专区| 成人亚洲精品av一区二区| 免费av不卡在线播放| 精品乱码久久久久久99久播| 最近在线观看免费完整版| 看片在线看免费视频| 亚洲真实伦在线观看| 亚洲七黄色美女视频| 国产久久久一区二区三区| 亚洲人成网站在线播放欧美日韩| 老司机影院成人| 精品久久久噜噜| 长腿黑丝高跟| 国产精华一区二区三区| 人人妻人人看人人澡| 亚洲美女黄片视频| 插阴视频在线观看视频| 亚洲av中文字字幕乱码综合| 亚洲精品一区av在线观看| 亚洲av熟女| 天堂影院成人在线观看| 99国产极品粉嫩在线观看| 日本爱情动作片www.在线观看 | 最好的美女福利视频网| 69人妻影院| 欧美国产日韩亚洲一区| 亚洲真实伦在线观看| 久久韩国三级中文字幕| 99久久精品一区二区三区| 人人妻人人澡欧美一区二区| 国产成人影院久久av| 成人一区二区视频在线观看| 久久精品国产自在天天线| 性色avwww在线观看| 99精品在免费线老司机午夜| 精品久久久久久久久亚洲| 日韩高清综合在线| 日韩欧美在线乱码| 色吧在线观看| 性欧美人与动物交配| 波野结衣二区三区在线| 免费看a级黄色片| 国内精品美女久久久久久| 九九热线精品视视频播放| 美女大奶头视频| 久久精品人妻少妇| 国产午夜精品久久久久久一区二区三区 | 欧美高清性xxxxhd video| 能在线免费观看的黄片| 非洲黑人性xxxx精品又粗又长| 在线看三级毛片| 一级黄片播放器| 99热这里只有精品一区| 搞女人的毛片| 国产高清视频在线观看网站| 女的被弄到高潮叫床怎么办| 国产高潮美女av| 久久综合国产亚洲精品| 亚洲在线观看片| 国产精品福利在线免费观看| 国产淫片久久久久久久久| 欧美日本视频| 国产精品人妻久久久影院| 在线看三级毛片| 精品不卡国产一区二区三区| 亚洲性夜色夜夜综合| 欧洲精品卡2卡3卡4卡5卡区| 日日啪夜夜撸| 国产亚洲av嫩草精品影院| 亚洲精华国产精华液的使用体验 | 91在线精品国自产拍蜜月| 最近最新中文字幕大全电影3| 日产精品乱码卡一卡2卡三| 欧美成人a在线观看| 免费人成在线观看视频色| 精品人妻视频免费看| 午夜福利在线观看吧| 美女被艹到高潮喷水动态| 午夜a级毛片| 在线免费十八禁| 亚洲欧美日韩东京热| 国产精品国产三级国产av玫瑰| 秋霞在线观看毛片| 精品一区二区三区视频在线观看免费| 成人午夜高清在线视频| 少妇的逼水好多| 日本 av在线| 成人av在线播放网站| 国产成人freesex在线 | 久久鲁丝午夜福利片| 天堂动漫精品| 成人亚洲精品av一区二区| 久久久久久九九精品二区国产| 亚洲国产精品成人综合色| 啦啦啦韩国在线观看视频| 日本色播在线视频| 热99re8久久精品国产| 亚洲经典国产精华液单| 超碰av人人做人人爽久久| 久久久精品大字幕| 国产伦精品一区二区三区视频9| 一进一出抽搐动态| 成人特级黄色片久久久久久久| 18禁在线播放成人免费| 精品久久久久久久人妻蜜臀av| 在线观看一区二区三区| 性欧美人与动物交配| 麻豆久久精品国产亚洲av| 亚洲国产精品成人综合色| 看黄色毛片网站| www.色视频.com| 啦啦啦啦在线视频资源| 国产精品久久久久久亚洲av鲁大| 久久久国产成人免费| 亚洲av二区三区四区| 久久久久久久午夜电影| 精品一区二区三区av网在线观看| 久久精品夜夜夜夜夜久久蜜豆| av在线播放精品| 久99久视频精品免费| 国产精品一区二区免费欧美| 波多野结衣巨乳人妻| 亚洲在线观看片| 久久久久国产网址| 久久精品人妻少妇| 日韩三级伦理在线观看| 99国产精品一区二区蜜桃av| 一级黄片播放器| 97超碰精品成人国产| 亚洲中文字幕一区二区三区有码在线看| 日日撸夜夜添| 少妇猛男粗大的猛烈进出视频 | 嫩草影院新地址| 99久国产av精品| 久久精品国产亚洲av涩爱 | 成人av一区二区三区在线看| 国产精品久久久久久av不卡| 黄色一级大片看看| 在线观看美女被高潮喷水网站| 淫妇啪啪啪对白视频| 看非洲黑人一级黄片| 国产麻豆成人av免费视频| 三级男女做爰猛烈吃奶摸视频| 超碰av人人做人人爽久久| 亚洲av中文字字幕乱码综合| 国产黄a三级三级三级人| 久久综合国产亚洲精品| a级一级毛片免费在线观看| 香蕉av资源在线| 成熟少妇高潮喷水视频| 99国产极品粉嫩在线观看| 精品欧美国产一区二区三| 国产黄片美女视频| 久久6这里有精品| 18+在线观看网站| 日本精品一区二区三区蜜桃| 国产又黄又爽又无遮挡在线| 99久久中文字幕三级久久日本| 如何舔出高潮| 美女免费视频网站| 啦啦啦啦在线视频资源| 亚洲成人精品中文字幕电影| 在线看三级毛片| 精品人妻偷拍中文字幕| 在线免费十八禁| 国产午夜福利久久久久久| 久久韩国三级中文字幕| 三级经典国产精品| 欧美成人a在线观看| 久久鲁丝午夜福利片| 欧美性感艳星| 在线播放无遮挡| 久久久久久国产a免费观看| 丝袜喷水一区| 国产精品人妻久久久影院| 天堂影院成人在线观看| 久久婷婷人人爽人人干人人爱| 又爽又黄无遮挡网站| 久久精品人妻少妇| 熟女人妻精品中文字幕| ponron亚洲| 男人的好看免费观看在线视频| 亚洲精品一卡2卡三卡4卡5卡| 国产黄色小视频在线观看| 亚洲中文日韩欧美视频| 噜噜噜噜噜久久久久久91| 啦啦啦观看免费观看视频高清| 久久中文看片网| 国产在视频线在精品| 草草在线视频免费看| 老司机午夜福利在线观看视频| 午夜福利在线在线| 国产亚洲欧美98| 大型黄色视频在线免费观看| 成人av在线播放网站| 精品一区二区三区人妻视频| 禁无遮挡网站| 欧美日韩综合久久久久久| 国产精品久久久久久av不卡| 国产高清不卡午夜福利| 欧美成人一区二区免费高清观看| av天堂中文字幕网| 久久午夜福利片| 久久久欧美国产精品| 国产精品久久久久久精品电影| 俺也久久电影网| 久久久久久久久久成人| 国产成人精品久久久久久| 色哟哟·www| 狂野欧美白嫩少妇大欣赏| 国产伦精品一区二区三区四那| 1000部很黄的大片| 少妇的逼好多水| 蜜桃亚洲精品一区二区三区| 日韩,欧美,国产一区二区三区 | 日韩欧美在线乱码| 欧美bdsm另类| 日韩av在线大香蕉| 久久人妻av系列| 国产高清视频在线播放一区| 搡老妇女老女人老熟妇| 成人美女网站在线观看视频| 亚洲精品日韩av片在线观看| 国产精品一区www在线观看| 三级男女做爰猛烈吃奶摸视频| 嫩草影院入口| 日本成人三级电影网站| 亚洲最大成人手机在线| 午夜福利高清视频| 热99re8久久精品国产| 欧美+亚洲+日韩+国产| 少妇人妻精品综合一区二区 | 3wmmmm亚洲av在线观看| 亚洲av电影不卡..在线观看| 日本 av在线| 别揉我奶头 嗯啊视频| avwww免费| 欧美极品一区二区三区四区| 日韩欧美一区二区三区在线观看| 中文字幕人妻熟人妻熟丝袜美| 国产蜜桃级精品一区二区三区| 蜜桃久久精品国产亚洲av| 男女做爰动态图高潮gif福利片| 欧美国产日韩亚洲一区| 免费电影在线观看免费观看| 观看免费一级毛片| 国产精品人妻久久久影院| 亚洲三级黄色毛片| 久久精品综合一区二区三区| 97超碰精品成人国产| 俄罗斯特黄特色一大片| 一个人看视频在线观看www免费| 免费观看人在逋| 国产成人freesex在线 | 日韩人妻高清精品专区| 久久人人爽人人片av| 国产精品久久久久久亚洲av鲁大| 一级av片app| 3wmmmm亚洲av在线观看| 天堂影院成人在线观看| 99在线人妻在线中文字幕| 99热精品在线国产| 久久久精品欧美日韩精品| 日韩欧美在线乱码| 日日干狠狠操夜夜爽| 网址你懂的国产日韩在线| 亚洲精品影视一区二区三区av| 女同久久另类99精品国产91| 国内精品宾馆在线| 高清日韩中文字幕在线| 久久草成人影院| 久久精品夜夜夜夜夜久久蜜豆| 99久久成人亚洲精品观看| 亚州av有码| 国产色婷婷99| 欧美性猛交黑人性爽| 日韩欧美在线乱码| 亚洲18禁久久av| 人妻少妇偷人精品九色| 亚洲最大成人中文| 国产一区二区亚洲精品在线观看| 久久久久性生活片| 黄色配什么色好看| 99热这里只有是精品50| 自拍偷自拍亚洲精品老妇| 免费观看的影片在线观看| 亚洲四区av| 欧美丝袜亚洲另类| 黄色日韩在线| 精品免费久久久久久久清纯| 国产亚洲精品综合一区在线观看| 成年女人永久免费观看视频| 欧美另类亚洲清纯唯美| 精品不卡国产一区二区三区| 97在线视频观看| 在线播放国产精品三级| 亚洲激情五月婷婷啪啪| 日本欧美国产在线视频| 在线观看66精品国产| 日日干狠狠操夜夜爽| 中国美白少妇内射xxxbb| 亚洲内射少妇av| 亚洲第一电影网av| 少妇人妻一区二区三区视频| 狂野欧美白嫩少妇大欣赏| 精品熟女少妇av免费看| 99久久无色码亚洲精品果冻| 熟妇人妻久久中文字幕3abv| 狂野欧美激情性xxxx在线观看| 亚洲三级黄色毛片| 国产一区亚洲一区在线观看| 亚洲精品乱码久久久v下载方式| 国产午夜精品久久久久久一区二区三区 | 18禁在线播放成人免费| 久久久久久久久中文| 精品久久国产蜜桃| 国产欧美日韩精品一区二区| 亚洲精品一区av在线观看| 晚上一个人看的免费电影| 女同久久另类99精品国产91| 国产精品久久久久久av不卡| h日本视频在线播放| 亚洲四区av| 欧美日韩一区二区视频在线观看视频在线 | 亚洲欧美精品综合久久99| 看非洲黑人一级黄片| av黄色大香蕉| 国产黄a三级三级三级人| 尾随美女入室| 久久韩国三级中文字幕| 寂寞人妻少妇视频99o| 日韩欧美精品免费久久| 国产三级中文精品| 老司机福利观看| 久久这里只有精品中国| 亚洲天堂国产精品一区在线| 国产精品三级大全| 国产毛片a区久久久久| 毛片女人毛片| 国产精品久久久久久亚洲av鲁大| 国产精品人妻久久久久久| 亚洲aⅴ乱码一区二区在线播放| 免费观看在线日韩| 国产真实乱freesex| 亚洲国产精品sss在线观看| 天堂影院成人在线观看| 露出奶头的视频| 白带黄色成豆腐渣| 国产精品一区www在线观看| 亚洲精品日韩av片在线观看| 丝袜喷水一区| 99九九线精品视频在线观看视频| 一个人看的www免费观看视频| 99在线视频只有这里精品首页| 久久久午夜欧美精品| 性欧美人与动物交配| 国产午夜精品久久久久久一区二区三区 | 国产高潮美女av| 国内精品宾馆在线| 国内精品美女久久久久久| 午夜精品在线福利| 国产老妇女一区| 给我免费播放毛片高清在线观看| 国产亚洲精品久久久久久毛片| 亚洲四区av| 久久精品91蜜桃| 俺也久久电影网| 成年女人看的毛片在线观看| 禁无遮挡网站| 亚洲中文字幕日韩| 成人无遮挡网站| 亚洲成人av在线免费| 免费人成视频x8x8入口观看| 又黄又爽又免费观看的视频| 少妇裸体淫交视频免费看高清| 亚洲无线观看免费| 麻豆国产97在线/欧美| 美女被艹到高潮喷水动态| 亚洲内射少妇av| 免费人成在线观看视频色| 看非洲黑人一级黄片| 午夜精品国产一区二区电影 | 1000部很黄的大片| 亚洲四区av| 国产精品一区二区性色av| 熟女人妻精品中文字幕| 亚洲av中文av极速乱| 亚洲内射少妇av| 插阴视频在线观看视频| 亚洲av二区三区四区| 18禁在线播放成人免费| 91狼人影院| 男女之事视频高清在线观看| 午夜视频国产福利| 免费不卡的大黄色大毛片视频在线观看 | 国产男人的电影天堂91| 国产av一区在线观看免费| 婷婷六月久久综合丁香| 内地一区二区视频在线| 波多野结衣高清无吗| a级毛色黄片| 久久精品人妻少妇| 一级黄片播放器| 国产男靠女视频免费网站| 久99久视频精品免费| 又粗又爽又猛毛片免费看| 99热全是精品| 成人特级黄色片久久久久久久| 少妇猛男粗大的猛烈进出视频 | 久久久久国内视频| 国产亚洲精品久久久久久毛片| 午夜免费激情av| 夜夜看夜夜爽夜夜摸| 麻豆国产av国片精品| 一级a爱片免费观看的视频| 精品国内亚洲2022精品成人| 99久久无色码亚洲精品果冻| 久久欧美精品欧美久久欧美| 亚洲第一电影网av| 美女xxoo啪啪120秒动态图| 国产熟女欧美一区二区| 麻豆av噜噜一区二区三区| 日韩欧美三级三区| 少妇熟女aⅴ在线视频| 最近在线观看免费完整版| 美女免费视频网站| 国产精品野战在线观看| 校园人妻丝袜中文字幕| 欧美一区二区精品小视频在线| 18禁在线无遮挡免费观看视频 | 综合色av麻豆| 亚洲人成网站在线观看播放| 美女xxoo啪啪120秒动态图| 不卡视频在线观看欧美| av在线播放精品| 亚洲中文字幕日韩| 国产淫片久久久久久久久| 人人妻,人人澡人人爽秒播| 欧美色视频一区免费| 亚洲精品在线观看二区| 精品日产1卡2卡| 热99在线观看视频| 天堂影院成人在线观看| 亚洲熟妇熟女久久| 亚洲性久久影院| 天天躁日日操中文字幕| 亚洲精品一卡2卡三卡4卡5卡| 一区二区三区四区激情视频 | 精品久久久久久久久久免费视频| 国产av不卡久久| 搡老熟女国产l中国老女人| 欧美zozozo另类| 亚洲专区国产一区二区| 亚洲精品久久国产高清桃花| 身体一侧抽搐| 别揉我奶头~嗯~啊~动态视频| 99国产极品粉嫩在线观看| 欧美丝袜亚洲另类| 婷婷六月久久综合丁香| 午夜视频国产福利| 亚洲国产精品成人综合色| 亚洲专区国产一区二区| 99在线视频只有这里精品首页| 成人毛片a级毛片在线播放| 麻豆成人午夜福利视频| 日韩一本色道免费dvd| 亚洲七黄色美女视频| 亚洲精品一卡2卡三卡4卡5卡| videossex国产|