针对海上船舶目标检测准确率不高的问题，提出一种基于改进YOLOv5的轻量级船舶目标检测算法YOLOShip。首先将空洞卷积与通道注意力（CA）引入空间金字塔快速池化（SPPF）模块，以融合不同尺度的空间特征细节信息，强化语义信息，提升区分前景与背景的能力；其次将协同注意力与轻量化的混合深度卷积引入特征金字塔网络（FPN）和路径聚合网络（PAN）结构中，以强化网络中的重要特征，获取含有更多细节信息的特征，并提升模型检测能力及定位精度；然后考虑到数据集中目标分布不均匀及尺度变化相对较小的特点，在修改锚框，减少检测头数量以精简模型的同时进一步提升模型性能；最后，引入更加灵活的多项式损失（PolyLoss）以优化二元交叉熵损失（BCE Loss），提升模型收敛速度及模型精度。在SeaShips数据集上的实验结果表明，相较于YOLOv5s，YOLOShip的精确率、召回率、mAP@0.5与mAP@0.5：0.95分别提升4.2、5.7、4.6和8.5个百分点，能在满足检测速度要求的同时得到更优的检测精度，有效地实现了高速、高精度的船舶检测。

针对目标可以同时属于多个类别的多标签分类问题,提出了一种基于浮动阈值分类器组合的多标签分类算法.首先,分析探讨了基于浮动阈值分类器的AdaBoost算法(AdaBoost.FT)的原理及错误率估计,证明了该算法能克服固定分段阈值分类器对分类边界附近点分类不稳定的缺点从而提高分类准确率;然后,采用二分类(BR)方法将该单标签学习算法应用于多标签分类问题,得到基于浮动阈值分类器组合的多标签分类方法,即多标签AdaBoost.FT.实验结果表明,所提算法的平均分类精度在Emotions数据集上比AdaBoost.MH、ML-kNN、RankSVM这3种算法分别提高约4%、8%、11%;在Scene、Yeast数据集上仅比RankSVM低约3%、1%.由实验分析可知,在不同类别标记之间基本没有关联关系或标签数目较少的数据集上,该算法均能得到较好的分类效果.

当标识示例的两个标签分别来源于两个标签集时，这种多标签分类问题称之为标签匹配问题，目前还没有针对标签匹配问题的学习算法。 尽管可以用传统的多标签分类学习算法来解决标签匹配问题，但显然标签匹配问题有其自身特殊性。 通过对标签匹配问题进行深入的研究，在连续AdaBoost(real Adaptive Boosting)算法的基础上，基于整体优化的思想，采用算法适应的方法，提出了基于双标签集的标签匹配集成学习算法，该算法能够较好地学习到标签匹配规律从而完成标签匹配。 实验结果表明，与传统的多标签学习算法用于解决标签匹配问题相比，提出的新算法不仅缩小了搜索的标签空间的范围，而且最小化学习误差可以随着分类器个数的增加而降低，进而使得标签匹配分类更加快速、准确。