用于水下物体检测的空间残留
概括
由动态合引起的特征漂移会降低水下探测器的性能. 使用SkipCut的新空间剩余 (SR) 块优化了功能稳定性和网络性能,实现了最先进的结果.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 图像处理 图像处理
背景情况:
- 由目标特征和降解因子引起的特征漂移会降低水下物体探测器的性能.
- 现有的方法在边界约束下扎着目标特征的动态不稳定性.
研究的目的:
- 在部分微分方程 (PDEs) 的背景下重新定义特征漂移.
- 引入一个新的空间残留 (SR) 块,以减轻特征漂移和提高探测器性能.
主要方法:
- 提出了空间剩余 (SR) 块,利用SkipCut进行网络范围的约束和优化.
- 实现了SR块作为复杂特征提取的5层骨干 (BSR5).
- 将BSR5集成到DETR和YOLO架构中,用于性能评估.
主要成果:
- 在RUOD数据集上,BSR5集成的DETR和YOLO取得了最先进的结果.
- 与使用ResNet-101的RT-DETR相比,BSR5-DETR显示了AP的改善 (1.3%和2.7%),同时降低了参数.
- BSR5表现出强大的融合和稳定性,特别是在从头开始的培训中.
结论:
- 拟议的SR区块有效地解决了水下物体检测中的特征漂移.
- BSR5提供了一种适用于数据稀缺,资源有限和实时应用的通用骨干.
- 跳过切割机制优化了信息流和梯度分配,加速了训练,提高了性能.
更多相关视频
09:19Measuring the Structure, Composition, and Change of Underwater Environments with Large-area Imaging
Published on: April 18, 2025
282
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
