一个小型的水下物体检测模型,具有增强的特征提取和融合
Tao Li1, Yijin Gang2, Sumin Li3
1School of Human Settlements and Civil Engineering, Xi'an Jiaotong University, Xi'an, 710049, China.
Scientific reports
|January 18, 2025
概括
这项研究引入了一种高效的深度学习模型,用于检测小型水下物体. 这种新的方法增强了特征保留和多尺度提取,提高了海上监测的检测精度和计算效率.
科学领域:
- 海洋生物学 海洋生物学
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 小物体检测对于水下环境保护和海洋生物监测至关重要.
- 深度学习提供了高效的检测技术,但水下挑战仍然存在.
- 水下环境由于复杂性,有限的小物体数据和计算限制而带来困难.
研究的目的:
- 开发一种高效的深层卷积网络模型,用于在水下环境中检测小物体.
- 为了应对特征保留,多尺度提取和计算效率的挑战.
主要方法:
- 引入了小型物体和轻量级 (CSPSL) 模块的CSP,以增强功能保留.
- 提出了一个可变的内核卷积 (VKConv) 用于动态内核大小调整和多级特征提取.
- 介绍了一种空间金字塔聚合多尺度 (SPPFMS) 方法,以保护小物体的特征.
主要成果:
- 在UDD数据集上的废弃实验证实了拟议方法的有效性.
- 在UDD和DUO数据集上的比较实验显示出比最先进的方法更优越的性能.
- 该模型在实时任务的计算成本和检测精度方面实现了最佳性能.
结论:
- 拟议的深度卷积网络模型有效地解决了水下小物体检测方面的挑战.
- 集成CSPSL,VKConv和SPPFMS模块显著提高了检测性能.
- 该模型为实时,准确的水下小物体检测提供了一个有前途的解决方案.
