CRAS-YOLO：多类别船舶检测与分类模型

主要观点总结

本文主要介绍了基于卫星图像的多类别船舶检测和分类的研究，团队提出了一个新的数据集Artificial-SAR-Vessel和一种新的多类船检测模型CRAS-YOLO。CRAS-YOLO模型结合了卷积块注意力模块（CBAM）、感受野块（RFB）和基于YOLOv5s的自适应空间特征融合（ASFF），在船舶检测方面表现出高准确度和召回率。同时，文章还介绍了计算机视觉研究院的相关背景和研究方向。

关键观点总结

关键观点1: 新数据集Artificial-SAR-Vessel的生成

基于FUSAR船舶数据集和SimpleCopyPaste方法，生成了一个新的数据集Artificial-SAR-Vessel，以支持多类别船舶检测。

关键观点2: CRAS-YOLO模型的提出

提出一种新的多类船检测模型CRAS-YOLO，结合了CBAM、RFB和ASFF，改进了基于路径聚合网络（PANet）的特征金字塔网络，实现更丰富的特征信息和多尺度特征的自适应融合。

关键观点3: 模型性能表现

CRAS-YOLO模型在多个数据集上表现出优异的性能，准确度和召回率均超过先前的研究结果。

关键观点4: 计算机视觉研究院的介绍

介绍了计算机视觉研究院的相关背景和研究方向，包括深度学习在目标检测领域的应用和实践。

文章预览

点击蓝字 关注我们 关注并星标 从此不迷路 计算机视觉研究院 公众号ID ｜ 计算机视觉研究院 学习群 ｜ 扫码在主页获取加入方式 计算机视觉研究院专栏 Column of Computer Vision Institute 目前，基于卫星图像的多类别船舶检测和分类由于在军事和民用领域的重要应用而备受关注。 01 前景概要 在今天分享中，我们团队在FUSAR船舶数据集和SimpleCopyPaste方法的基础上生成了一个新的 Artificial-SAR-Vessel 数据集中。我们进一步提出了一种新的多类船检测，称为CRAS-YOLO，它由卷积块注意力模块（CBAM）、感受野块（RFB）和基于YOLOv5s的自适应空间特征融合（ASFF）组成。CRAS-YOLO改进了基于路径聚合网络（PANet）的特征金字塔网络，该网络集成了RFB特征增强模块和ASFF特征融合策略，以获得更丰富的特征信息，并实现多尺度特征的自适应融合。同时，在骨干中增加了CBAM，以 ………………………………