改进了基于FCOS模型的珊瑚漂白检测模型的研究

科学领域:

• 海洋生物学 海洋生物学
• 计算机视觉 计算机视觉
• 环境监测 环境监测

背景情况:

• 珊瑚礁健康评估对于保护海洋生态系统至关重要.
• 现有的珊瑚漂白检测方法往往缺乏准确性和实时能力.
• 为了及时干预和保护工作,需要有效和准确的检测模型.

研究的目的:

• 引入一个改进的深度学习模型,FCOS_EfficientNET,用于增强珊瑚漂白检测.
• 在准确性,回忆和实时处理速度方面优化模型性能.
• 为各种海洋监测应用开发可适应的模型变体.

主要方法:

• 使用EfficientNet作为优化参数吞吐量的骨干.
• 实现了ReLU激活,共因相似性和软max用于数据集权重.
• 修改了注意力结构和集成BiFPN,以改善特征提取和减少内存消耗.
• 开发了四个模型变体 (FCOS_EfficientNETb0-b3),并采用了改进的培训策略.

主要成果:

• 在MS COCO上,FCOS_EfficientNETb3实现了48.5%的mAP,在定制的珊瑚漂白数据集上,准确度为81.5%,回忆率为59.3%.
• FCOS_EfficientNETb0显示了167.17fps的高率.
• 变体FCOS_EfficientNETb1和FCOS_EfficientNETb2提供了移动和边缘计算的性能指标平衡.

结论:

• FCOS_EfficientNET系列显著提高了珊瑚漂白检测的准确性和实时性能.
• 模型变体为不同的海洋监控场景提供量身定制的解决方案,包括跟踪海洋交通.
• 这些进展有助于更有效的珊瑚礁健康评估和保护战略.