相关实验视频

Updated: Jun 10, 2026

End-To-End Deep Neural Network for Salient Object Detection in Complex Environments

End-To-End Deep Neural Network for Salient Object Detection in Complex Environments

Published on: December 15, 2023

集体深度学习与混合优化方法的整合,以实现有效的水下物体检测和分类模型

G Abirami¹, S Nagadevi¹, J D Dorathi Jayaseeli¹

¹Department of Computing Technologies, School of Computing, SRM Institute of Science and Technology, Kattankulathur, 603203, Chennai, India.

Scientific reports

|March 29, 2025

概括

使用集体深度学习方法和混合优化算法 (UODC-EDLHOA) 的新水下物体检测和分类技术增强了海洋研究和物种保护. 这种方法在水下物体检测方面达到92.78%的准确性.

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.
海洋生物学海洋生物学

背景情况:

水下物体检测 (UOD) 对于海洋环境研究和物种保护至关重要.
现有的陆地物体识别方法与水下挑战作斗争,如小,阻碍和集群的物体,以及有限的计算资源.
深度学习 (DL) 和计算机视觉 (CV) 的最新进展显著改善了基于图像的UOD.

研究的目的:

开发一种先进的水下物体检测和分类技术.
解决当前UOD方法在具有挑战性的水下环境中的局限性.
为了提高水下物体识别的准确性和稳定性.

主要方法:

提出了利用集体深度学习方法和混合优化算法 (UODC-EDLHOA) 技术的水下物体检测和分类.
采用了EfficientNetB7,用于特征提取的注意力机制,以及用于对象检测的YOLOv9.
使用深度神经网络 (DNN),深度信念网络 (DBN) 和长期短期记忆 (LSTM) 组合用于UOD,通过混合的西伯利亚老虎和沙猫群优化 (STSC) 进行超参数调整.

主要成果:

该UODC-EDLHOA模型在UOD数据集上展示了强大的分类性能.
在水下物体检测和分类方面取得了92.78%的卓越准确性.
在验证实验中表现优于现有技术.

结论:

在水下物体检测和分类方面,UODC-EDLHOA技术提供了显著的进步.
混合优化和集体深度学习方法有效地解决了水下成像挑战.
这种方法在加强海洋环境监测和保护水下物种方面具有巨大的潜力.

关键词:

注意力机制注意力机制克拉赫 (Clahe) 是一种调味料.整合深度学习的组合.西伯利亚老虎优化优化水下物体检测系统是水下物体检测系统.这就是YOLOv9的意思.

相关概念视频

Buoyancy and Stability for Submerged and Floating Bodies

Buoyancy and Stability for Submerged and Floating Bodies

In fluid mechanics, buoyancy and stability are key concepts for understanding the behavior of submerged and floating bodies. When a stationary body is fully or partially submerged in a fluid, the fluid exerts a force on the body known as the buoyant force. This force acts vertically upward through a point called the center of buoyancy, which is the center of the displaced fluid volume. According to Archimedes' principle, the magnitude of the buoyant force is equal to the weight of the fluid...