基于改进的RT-DETR的轻量级水下碎片检测模型

科学领域:

• 海洋机器人
• 计算机视觉
• 环境监测

背景情况:

• 水下生态系统受到人为垃圾的威胁.
• 自主监控和清除对于应对这些威胁至关重要.
• 资源有限的自动水下车辆 (AUV) 需要高效的物体检测模型.

研究的目的:

• 开发一个优化用于AUV的轻量级物体检测模型 (LCSA-DETR).
• 提高水下碎片监测的检测性能和效率.
• 在资源有限的平台上实现实时部署.

主要方法:

• 引入基于RT-DETR的LCSA-DETR,其架构修改为:StarNet骨干,轻量级跨阶段聚合编码器 (LC-Encoder),自适应内核融合块 (AKFB) 和双向特征金字塔网络 (BiFPN).
• 应用基于层适应的大小的修剪 (LAMP) 来创建压缩版本,LCSA-DETR-P.
• 在没有预先训练的权重的情况下对 Trash-ICRA19 数据集进行评估.

主要成果:

• 在Trash-ICRA19数据集中,LCSA-DETR-P实现了80.4%的AP和98.3%的AP50.
• 与基线相比,该模型显著降低了参数 (31.7%),FLOP (23.0%) 和模型大小 (35.0%).
• 实现了每秒105.1的实时推断速度.

结论:

• LCSA-DETR-P提供了与RT-DETR-R18可比的精度,计算要求更低.
• 该模型的效率和实时性能使其适合在资源有限的AUV上部署,用于水下碎片检测.
• 这项工作有助于推进海洋垃圾监测和管理的自主解决方案.