Login
Registrieren
Passwort zurücksetzen
Veröffentlichen & Verteilen
Verlagslösungen
Vertriebslösungen
Themen
Allgemein
Altertumswissenschaften
Architektur und Design
Bibliotheks- und Informationswissenschaft, Buchwissenschaft
Biologie
Chemie
Geowissenschaften
Geschichte
Industrielle Chemie
Informatik
Jüdische Studien
Kulturwissenschaften
Kunst
Linguistik und Semiotik
Literaturwissenschaft
Materialwissenschaft
Mathematik
Medizin
Musik
Pharmazie
Philosophie
Physik
Rechtswissenschaften
Sozialwissenschaften
Sport und Freizeit
Technik
Theologie und Religion
Wirtschaftswissenschaften
Veröffentlichungen
Zeitschriften
Bücher
Konferenzberichte
Verlage
Blog
Kontakt
Suche
EUR
USD
GBP
Deutsch
English
Deutsch
Polski
Español
Français
Italiano
Warenkorb
Home
Zeitschriften
International Journal of Advanced Network, Monitoring and Controls
Band 7 (2022): Heft 4 (January 2022)
Uneingeschränkter Zugang
Fine-grained Recognition of Ships Under Complex Sea Conditions
Jiaojiao Ma
Jiaojiao Ma
,
Jun Yu
Jun Yu
,
Haoqi Yang
Haoqi Yang
,
Hong Jiang
Hong Jiang
und
Wei Li
Wei Li
| 26. Mai 2023
International Journal of Advanced Network, Monitoring and Controls
Band 7 (2022): Heft 4 (January 2022)
Über diesen Artikel
Vorheriger Artikel
Nächster Artikel
Zusammenfassung
Artikel
Figuren und Tabellen
Referenzen
Autoren
Artikel in dieser Ausgabe
Vorschau
PDF
Zitieren
Teilen
Online veröffentlicht:
26. Mai 2023
Seitenbereich:
39 - 46
DOI:
https://doi.org/10.2478/ijanmc-2022-0035
Schlüsselwörter
Ship Recognition
,
Complex Sea Conditions
,
Multi-scale
,
Fine-grained
,
Deep Learning
© 2022 Jiaojiao Ma et al., published by Sciendo
This work is licensed under the Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Figure 1.
Algorithm flow chart for the ship recognition.
Figure 2.
Result image after defogging.
Figure 3.
Multi-scale training sample images.
Figure 4.
Feature extraction network structure.
Figure 5.
Region proposal network structure.
Figure 6.
The architecture of proposed multi-scale Faster R-CNN for ship recognition. The simplified CNN model is surrounded by green boxes.
Figure 7.
Part of the sample images (huochuan is cargo ship, youlun is cruise ship, yuchuan is fishing ship, youting is yacht).
Figure 8.
The ROIs of some training samples.
Figure 9.
Comparison of ship recognition experiment with fog.
Figure 10.
Comparison of two algorithms in the same sea state.
Figure 11.
Recognition results under various sea states.
Comparison of recognition efficiency of the two algorithms
Detection Method
TP
FP
TN
precision/%
recall/%
Faster R-CNN
297
40
44
88.13
87.1
Our
313
18
28
94.56
91.78
Faster R-CNN Training Process
Training stage
Network
Number of iterations
1
RPN
40000
2
Fast RCNN
40000
3
RPN
80000
4
Fast RCNN
40000