相关实验视频
Updated: Jul 25, 2026
10:56
Long-term Behavioral Tracking of Freely Swimming Weakly Electric Fish
Published on: March 6, 2014
12.5K
基于改进的YOLOv8算法对海洋灵活生物目标检测的研究
Yu Tian1, Yanwen Liu1, Baohang Lin1
1College of Intelligent Systems Science and Engineering, Harbin Engineering University, Harbin, China.
PeerJ. Computer science
|September 24, 2024
概括
本研究引入了一种增强的YOLOv8n算法,用于检测可变形的海洋灵活生物目标. 改进的算法显著提高了在具有挑战性的水下环境中检测精度.
科学领域:
- 海洋生物学 海洋生物学
- 计算机视觉 计算机视觉
- 图像处理 图像处理
背景情况:
- 可变形的海洋生物实体对标准物体检测算法构成重大挑战,原因是前景与后景的相似性.
- 水下成像通常质量差,进一步使灵活主体的准确识别更加复杂.
研究的目的:
- 开发一种先进的物体检测算法,专门用于识别可变形的海洋灵活生物目标.
- 提高在水下图像中检测海洋生物的准确性和稳定性.
主要方法:
- 编制了一套海洋灵活生物主题的数据集.
- 与对比度有限的自适应式直方体平衡 (CLAHE) 具有边界增强精细的图像质量.
- 通过可变形卷积网络 (DCN) 和RepBi-PAN模块修改了YOLOv8n框架.
- 整合了SimAM注意力机制和Wise-IoU (WIoU) 损失功能.
主要成果:
- 与传统的YOLOv8n.相比,增强的算法显示出更高的性能.
- 在捕捉几何转换和处理基本特征方面观察到改善.
- 整合CLAHE和WIoU分别解决了图像质量和标签问题.
- 修改后的网络有效地处理了前景和背景的相似性,并集中在关键领域.
结论:
- 拟议的算法显著提高了海洋灵活生物目标检测的精度.
- DCN,RepBi-PAN,SimAM和WIoU的组合为水下物体检测提供了一个强大的解决方案.
- 这项工作为海洋研究和保护工作提供了宝贵的工具.
更多相关视频
05:57Long-term Video Tracking of Cohoused Aquatic Animals: A Case Study of the Daily Locomotor Activity of the Norway Lobster Nephrops norvegicus
Published on: April 8, 2019
6.8K
07:13Early Detection of Cyanobacterial Blooms and Associated Cyanotoxins using Fast Detection Strategy
Published on: February 25, 2021
3.8K
