增强水面物体检测与动态任务对齐的样本分配和注意力机制

科学领域:

• 计算机视觉和机器学习
• 机器人技术和自主系统
• 环境监测 环境监测

背景情况:

• 在水面上检测物体对于无人驾驶水面车辆 (USV) 来说至关重要.
• 现有的系统面临着模糊的底边界和模糊的图像挑战.
• YOLOv8s模型作为实时检测的基线.

研究的目的:

• 开发一个新的实时目标检测系统,用于USVs.
• 在具有挑战性的水生环境中提高物体检测精度.
• 为了改善图像中模糊的底边界的划分.

主要方法:

• 增强了YOLOv8s模型的卷积区注意模块 (CBAM) 和自我注意机制.
• 实施了动态样本分配策略,以提高精度和趋同.
• 采用两种策略方法 (值波器和FFN) 来精确地精制底边界.

主要成果:

• 实现了47.1%的平均平均精度 (mAP),比基线YOLOv8.7增加1.7%.
• 动态样本分配提高了AP^0.5的1.0%;FFN策略提高了AP^0.75的0.8%.
• 废弃性研究证实了多功能性和潜在的整合到各种检测框架.

结论:

• 提议的增强型YOLOv8s模型显著改善了水面上的实时物体检测.
• 注意模块和新策略的整合有效地解决了诸如雾和模糊边界等挑战.
• 该系统展示了强大的性能和适应性,用于USV感知系统.