YOLO-SEA:在复杂的海域状态和恶劣天气中,为多个规模的海上目标提供了增强的检测框架
Hongmei Deng1, Shuaiqun Wang1, Xinyao Wang2
1College of Information Engineering, Shanghai Maritime University, Shanghai 201306, China.
Entropy (Basel, Switzerland)
|July 29, 2025
概括
这项研究介绍了YOLO-SEA,这是用于海上物体检测的增强YOLOv8模型. 它提高了在复杂环境中检测各种海洋目标的准确性,包括小物体.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 海洋技术 海洋技术
背景情况:
- 海上物体检测对于安全和国防至关重要.
- 现有的方法与不同的目标和复杂的海洋条件作斗争.
研究的目的:
- 开发一个高效的海上物体检测框架.
- 为了提高各种海洋物体的检测准确性和稳定性.
主要方法:
- 使用了一个改进的YOLOv8架构,名为YOLO-SEA.
- 整合了SimAM增强的SENetV2注意力 (SESA) 模块,用于特征表示.
- 实施了改进的双向特征金字塔网络 (BiFPN) 用于多尺度的核聚变.
- 采用软非最大抑制 (软NMS) 来减少错误检测.
主要成果:
- YOLO-SEA在mAP@0.5.5中取得了5.8%的改善.
- 与基线相比,mAP@0.5:0.95显示了7.2%的改善.
- 在检测八种海上物体类型方面展示了增强的准确性和稳定性.
结论:
- YOLO-SEA为海上物体检测提供了卓越的性能.
- 提议的改进有效地解决了复杂海洋环境中的挑战.
- 该框架支持改进的海上监视和安全应用程序.
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
818
13:35Reefshape: A System for the Efficient Collection and Automated Processing of Time-Series Underwater Photogrammetry Data for Benthic Habitat Monitoring
Published on: June 13, 2025
665
