一个阶段的多级高效网络用于水下目标检测
Huaqiang Zhang1, Chenggang Dai1, Chengjun Chen1
1School of Mechanical and Automotive Engineering, Qingdao University of Technology, Qingdao 266520, Shandong, China.
The Review of scientific instruments
|June 18, 2024
概括
这项研究引入了改进的YOLOv5s方法用于水下目标检测,提高了小型和密集物体的精度. 这种新的方法显著提高了复杂的水下环境中的检测精度.
科学领域:
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
- 机器学习 机器学习
背景情况:
- 由于环境的复杂性,水下目标检测具有挑战性,导致小或密集的目标的精度较低.
- 现有的方法在复杂的水下场景中难以准确,需要检测算法的进步.
研究的目的:
- 提出基于YOLOv5s的新型水下目标检测方法,以提高精度和稳定性.
- 改进特征提取,表示和融合,以便更准确地识别水下物体.
主要方法:
- 采用了高效的特征提取网络和具有可变形卷积的新型注意力机制.
- 在YOLOv5s部引入了自适应空间融合操作,以实现有效的多层特征融合.
- 使用自适应融合特征金字塔网络来整合全球语义信息并减少特征语义差距.
主要成果:
- 拟议的方法在2020年中国水下机器人专业比赛数据集上获得了86.97%的mAP50,比YOLOv5s有3.07%的改进.
- 该方法在PASCAL VOC2007数据集上显示了76.0%的检测精度,超过了几种现有方法.
- 实验结果证实了水下目标检测的提高精度和稳定性.
结论:
- 基于YOLOv5s的新方法显著提高了水下目标检测的准确性,特别是对于小型和密集的物体.
- 集成先进的特征提取,注意力机制和自适应融合可以提高复杂环境中的检测性能.
- 拟议的方法为水下目标检测提供了一个强大的解决方案,在基准数据集上表现优于标准方法.
