相关实验视频
Updated: May 12, 2026
10:56
Long-term Behavioral Tracking of Freely Swimming Weakly Electric Fish
Published on: March 6, 2014
12.5K
在基于域自适应技术的侧扫描声纳图像中无监督的水下沉船检测
Chengwei Wei1, Yunfei Bai1, Chang Liu1
1Research Institute of USV Engineering, School of Mechatronic Engineering and Automation, Shanghai University, Shanghai, 200444, China.
Scientific reports
|June 3, 2024
概括
本研究介绍了一种使用域自适应物体检测 (DAOD) 的新型无监督水下物体检测方法,以克服数据注释的挑战. 拟议的域协作桥梁探测器 (DCBD) 显著提高了水下物体的检测精度.
科学领域:
- 计算机视觉 计算机视觉
- 海洋技术 海洋技术
- 人工智能的人工智能
背景情况:
- 使用侧扫声纳 (SSS) 进行水下物体检测至关重要,但由于注释数据的稀缺性而受到限制.
- 无监督域适应对象检测 (DAOD) 通过消除手动注释提供了一个解决方案,但在功能可转移性和可区分性方面面临挑战.
研究的目的:
- 开发一种有效的无监督水下物体检测方法,克服传统DAOD的局限性.
- 改进域适应对象检测中的特征可转移性和可区分性,以提高性能.
主要方法:
- 提出域协作桥接检测器 (DCBD),结合域内一致性约束 (IDCC) 和域协作桥接 (DCB).
- IDCC利用对比式学习来增强域内相似性,解决特征可转移性问题.
- DCB将域不变特征与域相关信息集成在一起,以提高特征的可区分性.
主要成果:
- 在无监督的SSS检测水下沉船过程中获得了高精度,与完全监督的方法相比 (92.16% AP50,98.50%回忆).
- 在Foggy Cityscapes基准数据集上表现出显著的改进,超过了4.5%的最先进状态 (52.6% AP50).
结论:
- 拟议的DCBD方法有效地解决了DAOD中特征可转移性和可区分性之间的权衡.
- 这种无监督的方法为水下物体检测提供了可行且准确的解决方案,减少了对广泛的手动注释的依赖.
