Iniciar sesión
Registrarse
Restablecer contraseña
Publicar y Distribuir
Soluciones de Publicación
Soluciones de Distribución
Temas
Arquitectura y diseño
Artes
Ciencias Sociales
Ciencias de la Información y Bibliotecas, Estudios del Libro
Ciencias de la vida
Ciencias de los materiales
Deporte y tiempo libre
Estudios clásicos y del Cercano Oriente antiguo
Estudios culturales
Estudios judíos
Farmacia
Filosofía
Física
Geociencias
Historia
Informática
Ingeniería
Interés general
Ley
Lingüística y semiótica
Literatura
Matemáticas
Medicina
Música
Negocios y Economía
Química
Química industrial
Teología y religión
Publicaciones
Revistas
Libros
Actas
Editoriales
Blog
Contacto
Buscar
EUR
USD
GBP
Español
English
Deutsch
Polski
Español
Français
Italiano
Carrito
Home
Revistas
International Journal of Advanced Network, Monitoring and Controls
Volumen 7 (2022): Edición 4 (January 2022)
Acceso abierto
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
y
Wei Li
Wei Li
| 26 may 2023
International Journal of Advanced Network, Monitoring and Controls
Volumen 7 (2022): Edición 4 (January 2022)
Acerca de este artículo
Artículo anterior
Artículo siguiente
Resumen
Artículo
Figuras y tablas
Referencias
Autores
Artículos en este número
Vista previa
PDF
Cite
Compartir
Publicado en línea:
26 may 2023
Páginas:
39 - 46
DOI:
https://doi.org/10.2478/ijanmc-2022-0035
Palabras clave
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