研究目的
通过提出一种基于特征融合金字塔网络和深度强化学习的模型，以生成精确的倾斜矩形框，从而解决船舶检测中尺度差异大、船舶长宽比大、背景复杂以及密集停泊场景等具有挑战性的问题。
研究成果
FFPN-RL模型在具有精确角度信息的船舶检测任务中达到了最先进的性能水平，实验验证显示其具有高召回率、高精度和高F1分数。未来的工作将聚焦于降低运行时间并扩展至其他目标检测领域。
研究不足
由于单独的角度预测?？榈贾赂呤奔涓丛佣?；在集成位置和角度预测方面存在优化潜力；数据集依赖人工标注；性能可能因不同船型和背景而有所差异。
1：实验设计与方法选择：
本研究采用两阶段检测框架，使用特征融合金字塔网络（FFPN）进行特征提取，区域提议网络（RPN）生成候选框，并通过深度强化学习智能体预测角度。后处理采用软旋转非极大值抑制。
2：样本选择与数据来源：
从谷歌地球通过快鸟卫星采集的10,000张遥感船舶图像数据集，人工标注真实坐标。图像为RGB格式，尺寸1000×600像素，包含不同尺度的船舶及多样化背景。
3：实验设备与材料清单：
计算使用NVIDIA K80M 12G GPU，主干网络为ResNet50，深度学习框架为Keras。
4：实验流程与操作步骤：
训练包含60,000次迭代，采用动态学习率、Adam优化器及特定锚框比例。角度预测使用具有策略引导和长期训练的决斗双深度Q网络。
5：数据分析方法：
评估指标包括准确率、平均角度差、精确率、召回率、F1分数及精确率-召回率曲线。与其他检测模型（如YOLO、Faster R-CNN等）进行对比。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
NVIDIA K80M GPU
K80M
NVIDIA
Used for computation and training of deep learning models in the experiments.
-
QuickBird satellite
Source of remote sensing images used in the dataset.
-
ResNet50
Used as the backbone network for feature extraction in the detection model.
-
Keras
Deep learning framework used for implementing the neural networks.
-
Adam Optimizer
Optimization algorithm used in training the neural networks.
-
登录查看剩余3件设备及参数对照表
查看全部
