计算机应用

作者：刘源泂, 何茂征, 黄益斌, 钱程

单位：1.冶金装备及其控制教育部重点实验室(武汉科技大学), 武汉 430081；2.机械传动与制造工程湖北省重点实验室(武汉科技大学), 武汉 430081；3.武汉科技大学 精密制造研究院, 武汉, 430081；4.江苏健龙岸电科技有限公司, 江苏 宜兴 214200

关键词：图像处理,深度学习,残差网络,注意力机制,船舶识别

基金：2020年湖北省知识产权运用示范项目(202014)

海洋船舶的自动识别对缓解海上交通压力起着重要作用。针对当前船舶自动识别率较低的问题，提出一种基于ResNet50（Residual Network50）和改进注意力机制的船舶识别模型。首先，自制船舶数据集并划分为训练集、验证集和测试集，采用模糊、增加噪声等方法得到增强数据集；其次，设计改进注意力模块——高效空间金字塔注意力模块（ESPAM）和船舶种类识别模型ResNet50_ESPAM；最后，将ResNet50_ESPAM与其他常用的神经网络模型对船舶数据集进行训练验证并对比。实验结果表明，ResNet50_ESPAM在验证集最高准确率为95.5%，验证集初始准确率为81.2%，与AlexNet（Alex Krizhevsky Network）、GoogleNet（Google Inception Net）、ResNet34（Residual Network34）、ResNet50和ResNet50_CBAM（ResNet50_ Convlutional Block Attention Module）等模型相比，模型验证集最高准确率分别提升了5.1、4.9、2.6、1.6和1.4个百分点，验证集初始准确率分别提升了49.4、44.7、27.7、3.0和2.1个百分点。实验结果表明ResNet50_ESPAM在船舶种类识别方面具有较高的识别精度，验证了改进的注意力模块ESPAM的有效性。

来源：2024年第6期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第6期