一个新的轻量级算法用于声纳图像识别
Gang Wan1,2, Qi He3, Qianqian Zhang3
1College of Water Conservancy and Hydropower Engineering, Hohai University, Nanjing 210024, China.
Sensors (Basel, Switzerland)
|September 19, 2025
概括
本研究介绍了针对声纳图像识别的优化MobileViT算法,提高了准确性,并使其能够在嵌入式设备上部署. 修改改进功能捕获和解决数据不平衡,以提高性能.
科学领域:
- 计算机视觉 计算机视觉
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 声纳图像的分辨率低,噪音高,边缘模糊,挑战传统的卷积神经网络 (CNN).
- 现有的CNN体现出大尺寸和高计算需求,阻碍了对资源有限的嵌入式系统的部署.
- 目标识别准确度不足是声纳图像分析的一个重要问题.
研究的目的:
- 开发一种轻量级且准确的声纳图像识别算法.
- 为了增强声纳图像特征的特征提取能力.
- 为了在嵌入式设备上部署先进的识别模型.
主要方法:
- 通过重新设计跳跃连接层来更好地捕捉关键的声纳图像特征,修改了MobileViT块.
- 替换了MV2模块中的1x1卷积,并使用了多尺度卷积Res2Net来改进全球和本地特征学习.
- 应用失衡 (IB) 损失函数来管理声纳数据集中的样本类别失衡,分配不同的样本重量.
主要成果:
- 拟议的修改表明,声纳图像识别精度的提高程度各不相同.
- 增强的算法保持轻量级的配置,适合嵌入式系统部署.
- 集成Res2Net和修改的跳跃连接有效地提高了功能学习能力.
结论:
- 优化的MobileViT算法为准确和高效的声纳图像识别提供了可行的解决方案.
- 这项研究成功地解决了传统CNN在声纳应用中的局限性.
- 拟议的方法促进了深度学习在嵌入式声纳系统中的实际应用.
