RSE-YOLOv8:一种用于水下生物目标检测的算法.
Peihang Song1, Lei Zhao1, Heng Li1
1Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650504, China.
Sensors (Basel, Switzerland)
|September 28, 2024
概括
这项研究引入了一种改进的YOLOv8模型用于水下目标检测,增强特征提取和图像质量. 新模型为生态评估和资源开发提供了更高的准确性和效率.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 海洋技术 海洋技术
背景情况:
- 水下目标检测对于生态评估和资源开发至关重要.
- 现有的模型面临着水下图像质量和尺度变化的挑战.
- 优化水下资源管理需要强大的检测系统.
研究的目的:
- 提出基于YOLOv8框架的新型水下目标检测模型.
- 增强各种目标尺度的特征提取能力,提高水下图像质量.
- 开发一个具有降低参数的模型,以便在资源有限的水下设备上有效部署.
主要方法:
- 使用SACONV重新设计YOLOv8 C2f模块,以改进多尺度特征提取.
- 引入了RFESEConv卷积,以解决水下图像通道信息退化问题.
- 集成ESPPF模块以提高多尺度特征提取效率,同时减少模型参数.
主要成果:
- 在水下数据集上获得了78%的平均平均精度 (mAP@50) 和43.4%的mAP@50:95.
- 在两个mAP指标中,与基线模型相比,表现出2.1%的改善.
- 在多个数据集中展示了强大的概括性和稳定性.
结论:
- 拟议的基于YOLOv8的模型显著提高了水下目标检测的准确性和效率.
- 这些创新有效地解决了水下成像和特征提取方面的挑战.
- 该模型为环境保护和水下资源开发提供了实际价值.
更多相关视频
09:32Development of New Methods for Quantifying Fish Density Using Underwater Stereo-video Tools
Published on: November 20, 2017
9.2K
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
