基于功能增强和注意力检测头部的高效水下物体检测
Xingkun Li1, Yuhao Zhao2, Hu Su2
1Naval Architecture and Port Engineering College, Shandong Jiaotong University, Weihai, 264200, China.
Scientific reports
|February 18, 2025
概括
这项研究引入了部分语义编码模块 (PSEM) 和分割维度权重头 (SDWH) 的新方法,以显著提高水下物体检测的准确性. 这些改进提高了YOLO系列算法在具有挑战性的水生环境中的性能.
科学领域:
- 计算机视觉 计算机视觉
- 海洋技术 海洋技术
- 人工智能的人工智能
背景情况:
- 水下物体检测对于海洋探索和保护至关重要.
- 现有的算法与水下图像的光照,散射和吸收不佳作斗争.
- 低于最佳的检测性能阻碍了对海洋环境的有效分析.
研究的目的:
- 增强水下目标的特征提取和集成能力.
- 在复杂的水下场景中提高前景对象的定位精度.
- 为实时水下物体检测开发强大的解决方案.
主要方法:
- 提出了一种部分语义编码模块 (PSEM),以改进多级特征融合和局部通道信息编码.
- 引入了分割维度权重头 (SDWH) 以增强空间和频道语义权重.
- 将PSEM和SDWH集成到YOLO系列算法 (YOLOv5,YOLOv8,YOLOv6) 中.
主要成果:
- 与PSEM和SDWH一起的YOLOv8n在UTDAC2020数据集上实现了2.8%的mAP增长.
- 在UTDAC2020和RUOD数据集中,在YOLOv5n (1%至1.5%) 和YOLOv6n (3%至3.7%) 中观察到显著的mAP改善.
- 实现了最先进的性能,YOLOv8n在UTDAC2020上达到82.9%的mAP,在RUOD上达到80.9%.
结论:
- PSEM和SDWH模块大大提高了YOLO探测器中水下物体检测的准确性.
- 提出的方法在可接受的计算成本下提供了显著的性能增长.
- 增强型号的实时功能满足了海洋应用的实际要求.
