【技术实现步骤摘要】
本专利技术涉及涉及文本数据的检测，尤其涉及一种单拖网渔船轨迹检测方法及装置。
技术介绍
1、大多数现有的单拖网渔船检测方法依赖于一些传统的统计方法或机器学习方法。其中，用于解决渔船轨迹分类或异常行为检测相关的统计方法通常需要一些人为设定参数。同时，不同的参数并不能很好的推广到其他数据集中。此外，诸多相关的检测方法通常是针对其特定的数据集定制的，当使用其他类型的数据集，检测方法表现的结果会表现得很差。
2、现有的方法大多忽略了二维数据所对应的非结构化信息，如将二维数据等结构化信息转换成可视化的图形来辅助网络进行分类。其缺失的非结构化信息数据可能会影响网络中特征提取的能力并导致检测方法的性能下降。
3、因此，目前利用深度学习方法对单拖网渔船检测的研究具有很高的需求性和挑战性。
技术实现思路
1、基于此，有必要针对上述问题，提出了一种单拖网渔船轨迹检测方法及装置。
2、本专利技术实施例提供一种单拖网渔船轨迹检测方法，所述方法包括：
3、构建fusi...
【技术保护点】
1.一种单拖网渔船轨迹检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的单拖网渔船轨迹检测方法，其特征在于，所述Fusion former视觉模块包括嵌入层、位置编码层、Transformer编码器、全连接层；所述Fusion former视觉模块形式上定义如下：
3.根据权利要求2所述的单拖网渔船轨迹检测方法，其特征在于，所述嵌入层形式上定义如下：
4.根据权利要求3所述的单拖网渔船轨迹检测方法，其特征在于，所述位置编码层由正弦和余弦函数组成，使用sin和cos交替来表示每一个数据token在特征处理中的前后位置顺序；
5.根...
【技术特征摘要】
1.一种单拖网渔船轨迹检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的单拖网渔船轨迹检测方法，其特征在于，所述fusion former视觉模块包括嵌入层、位置编码层、transformer编码器、全连接层；所述fusion former视觉模块形式上定义如下：
3.根据权利要求2所述的单拖网渔船轨迹检测方法，其特征在于，所述嵌入层形式上定义如下：
4.根据权利要求3所述的单拖网渔船轨迹检测方法，其特征在于，所述位置编码层由正弦和余弦函数组成，使用sin和cos交替来表示每一个数据token在特征处理中的前后位置顺序；
5.根据权利要求4所述的单拖网渔船轨迹检测方法，其特征在于，所述transformer编码器是由标准化层、多头注意力层和多层感知机层组成；
6.根据权利要求5所述的单拖网渔船轨迹检测方法，其特征在于，所述全连接层由线性变换函数和非线性激活函数组成，所述全连接层形...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。