1.船舶名稱智能識別方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的船舶名稱智能識別方法，其特征在于，在所述s1中，所述數(shù)據(jù)增強(qiáng)包括光照變換增強(qiáng)、角度變換增強(qiáng)、背景替換增強(qiáng)；
3.根據(jù)權(quán)利要求1所述的船舶名稱智能識別方法，其特征在于，所述將提取到的特征對自監(jiān)督學(xué)習(xí)模型進(jìn)行對比學(xué)習(xí)預(yù)訓(xùn)練，具體包括：
4.根據(jù)權(quán)利要求1所述的船舶名稱智能識別方法，其特征在于，使用預(yù)訓(xùn)練的resnet50作為深度卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)模型，提取圖像的局部特征圖fi，將局部特征圖fi展開為二維矩陣然后進(jìn)行展平操作得到特征序列si，定義位置編碼矩陣p∈r(h×w)×c，通過將位置編碼矩陣p∈r(h×w)×c添加到特征序列si中，得到特征序列s′i，使用多頭自注意力機(jī)制和前饋神經(jīng)網(wǎng)絡(luò)構(gòu)建transformer編碼器，對特征序列s′i進(jìn)行處理，得到輸出ti,將transformer編碼器層的輸出ti經(jīng)過全連接層，得到最終的輸出特征向量oi。
5.根據(jù)權(quán)利要求4所述的船舶名稱智能識別方法，其特征在于，所述多任務(wù)共享模型利用步驟s3中訓(xùn)練好的混合模型提取圖像特征，共享特征提取網(wǎng)絡(luò)的輸出為fi，將共享特征fi輸入到船名檢測子網(wǎng)絡(luò)，預(yù)測船名區(qū)域的邊界框坐標(biāo)和類別，再將船名檢測子網(wǎng)絡(luò)預(yù)測的船名區(qū)域特征ri輸入到字符識別子網(wǎng)絡(luò)，預(yù)測船名字符序列。
6.根據(jù)權(quán)利要求4所述的船舶名稱智能識別方法，其特征在于，所述船名檢測子網(wǎng)絡(luò)的輸出di，表示如下：
7.根據(jù)權(quán)利要求6所述的船舶名稱智能識別方法，其特征在于，將船名檢測子網(wǎng)絡(luò)的損失函數(shù)和字符識別子網(wǎng)絡(luò)的損失結(jié)合，得到訓(xùn)練后的多任務(wù)總損失函數(shù)表示如下：
8.根據(jù)權(quán)利要求1所述的船舶名稱智能識別方法，其特征在于，將檢測到的船名區(qū)域內(nèi)的字符構(gòu)建成圖神經(jīng)網(wǎng)絡(luò)，字符作為圖的節(jié)點(diǎn)，字符間的關(guān)系作為圖的邊，然后對每個(gè)字符節(jié)點(diǎn)vi，使用字符識別子網(wǎng)絡(luò)的輸出特征向量初始化節(jié)點(diǎn)特征，使用圖卷積網(wǎng)絡(luò)進(jìn)行節(jié)點(diǎn)特征更新，通過鄰接節(jié)點(diǎn)的信息傳播更新節(jié)點(diǎn)特征；所述圖卷積網(wǎng)絡(luò)的更新規(guī)則表示如下：
9.根據(jù)權(quán)利要求1所述的船舶名稱智能識別方法，其特征在于，使用交叉熵?fù)p失函數(shù)對圖神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最小化預(yù)測輸出與真實(shí)標(biāo)簽之間的差異，所述交叉熵?fù)p失函數(shù)表示如下：
10.根據(jù)權(quán)利要求1所述的船舶名稱智能識別方法，其特征在于，在進(jìn)行實(shí)時(shí)識別的時(shí)候，設(shè)計(jì)動(dòng)態(tài)權(quán)重調(diào)整機(jī)制，根據(jù)實(shí)時(shí)光照、角度和背景變化調(diào)整特征權(quán)重，定義權(quán)重調(diào)整函數(shù)tadjust：