一种基于深度学习和注意力机制的水下场景动态干扰检测方法
Shuo Shang1, Jianrong Cao1, Yuanchang Wang1
1School of Information and Electrical Engineering, Shandong Jianzhu University, Jinan 250101, China.
Biomimetics (Basel, Switzerland)
|November 26, 2024
概括
本研究介绍了一种改进的YOLOv8算法,用于水下动态目标检测,增强特征提取和损失功能. 新方法实现了95.1%的mAP,在复杂的水下环境中提高了精度.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 水下机器人视觉系统在3D重建方面面临挑战,原因是高动态干扰和灯光不佳.
- 现有的目标检测算法对于复杂的水下环境是不够的.
研究的目的:
- 提出一个改进的YOLOv8算法,用于准确的水下动态目标检测.
- 为了提高水下机器人视觉系统的性能.
主要方法:
- 通过改进瓶卷积结构,修改了YOLOv8网络的特征提取层.
- 集成了一个改进的SE注意力机制,用于增强特征提取.
- 用MPDIoU损失取代了CIoU损失函数,以加速模型的融合.
主要成果:
- 改进的YOLOv8算法实现了95.1%的平均平均精度 (mAP).
- 在检测水下动态目标方面表现出卓越的准确性,特别是在复杂场景中的小目标.
结论:
- 拟议的算法显著提高了水下动态目标检测准确度.
- 这些改进为水下机器人视觉系统提供了更强大的解决方案.
