船舶轨迹预测是智能航运系统的核心技术之一。现有船舶轨迹预测方法较少考虑目标间运动的相互影响,导致预测准确率低且计算量大。为解决上述问题,提出一种基于组稀疏长短期记忆(Sparse Group Long short-term memory Network,SGLNet)模...船舶轨迹预测是智能航运系统的核心技术之一。现有船舶轨迹预测方法较少考虑目标间运动的相互影响,导致预测准确率低且计算量大。为解决上述问题,提出一种基于组稀疏长短期记忆(Sparse Group Long short-term memory Network,SGLNet)模型的船舶轨迹预测方法。利用编码层对输入的目标船舶运动轨迹数据进行编码,通过长短期记忆网络捕捉每个目标的运动特征;基于笛卡尔积构建水面目标周身网格空间,建立感知社交池化层,共享空间近端目标的隐藏状态;设计基于稀疏表示的掩码模型,对SGLNet网络参数量进行压缩。实验结果表明,相比其他序列预测网络模型,船舶轨迹预测精度提高了55.8%,模型参数量降低了12.77%。该方法满足了水面态势感知中对于船舶轨迹的需求,为构建智能航运系统提供了新的技术路径。展开更多
针对红外船舶图像目标特征模糊、背景复杂以及小目标漏检等问题,基于YOLOv8提出一种面向海上交通中船舶目标的检测算法YOLO-IST(YOLO for infrared ship target)。在基线模型的骨干网络中引入C2f_DBB模块和CPCA注意力机制,通过增加特征...针对红外船舶图像目标特征模糊、背景复杂以及小目标漏检等问题,基于YOLOv8提出一种面向海上交通中船舶目标的检测算法YOLO-IST(YOLO for infrared ship target)。在基线模型的骨干网络中引入C2f_DBB模块和CPCA注意力机制,通过增加特征提取层来提升模型对目标的识别能力;利用C2f_Faster_EMA模块替换颈部网络中的C2f模块,以提升模型检测精度和速度;采用多重注意力的动态检测头Dynamic Head优化模型框架,增强模型对小船舶目标的检测效果。研究结果表明:YOLO-IST的召回率R_(ecall)、精确率P_(recision)、平均精度M_(ap@50)、平均精度M_(ap@50-95)和F_(1score)分别达到89.7%、90.5%、94.7%、66.6%、90.1%,较基线模型YOLOv8分别提升了4.5%、3.8%、4.4%、4.7%、4.2%。该模型的提出在海上智能交通中具有较广泛的应用前景。展开更多
文摘船舶轨迹预测是智能航运系统的核心技术之一。现有船舶轨迹预测方法较少考虑目标间运动的相互影响,导致预测准确率低且计算量大。为解决上述问题,提出一种基于组稀疏长短期记忆(Sparse Group Long short-term memory Network,SGLNet)模型的船舶轨迹预测方法。利用编码层对输入的目标船舶运动轨迹数据进行编码,通过长短期记忆网络捕捉每个目标的运动特征;基于笛卡尔积构建水面目标周身网格空间,建立感知社交池化层,共享空间近端目标的隐藏状态;设计基于稀疏表示的掩码模型,对SGLNet网络参数量进行压缩。实验结果表明,相比其他序列预测网络模型,船舶轨迹预测精度提高了55.8%,模型参数量降低了12.77%。该方法满足了水面态势感知中对于船舶轨迹的需求,为构建智能航运系统提供了新的技术路径。
