CAM-UNet:一种新的水环境感知方法,整合了CoAtNet结构
Xingyi Gao1, Jie Liu2, Yanyi Liu1
1College of Information Science and Technology & Artificial Intelligence, Nanjing Forestry University, Nanjing 210037, China.
本研究引入了一种用于自主导航的新型细分模型,提高了在复杂水环境中识别可航海水域和障碍物的准确性. 新方法增强了特征识别和上下文聚合,使无人驾驶水面船的操作更可靠.
科学领域:
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
- 海洋技术 海洋技术
背景情况:
- 对水生环境的准确细分对于无人水面船 (USV) 航行至关重要.
- 现有的模型在复杂的水纹,模糊的边界以及捕捉全球背景和细微的空间细节方面扎,导致结果碎片化.
研究的目的:
- 开发一种新的细分模型,准确识别具有挑战性的水生环境中的可航行水域和障碍物.
- 通过提高细分精度和稳定性来提高USV导航系统的性能.
主要方法:
- 开发了一个基于CoAtNet架构的新型细分框架.
- 该框架具有增强的卷积注意力编码器,并配有Fused-MBConv和CBAM模块,用于改进边界和特征意识.
- 一个双层前者 (BiFormer) 和多尺度注意力聚合 (MSAA) 模块被集成为协作全球-本地特征建模和多尺度上下文信息捕获.
- 基于U-Net的解码器被用于逐步恢复空间分辨率.
主要成果:
- 拟议的模型在自主收集的数据集上实现了95.15%的欧盟交叉点 (mIoU) 平均值.
- 该模型在公共数据集MaSTr1325上获得了98.48%的mIoU.
- 性能超越了包括DeepLabV3+,SeaFormer和WaSRNet在内的已知模型.
结论:
- 新型细分模型在解释复杂的水生环境以实现自主导航方面表现出卓越的性能.
- 综合方法有效地解决了当前模型在处理复杂的水质和边界模糊性方面的局限性.
- 该模型为准确的可航水和障碍物细分提供了强大的解决方案,这对于安全高效的USV操作至关重要.
更多相关视频
07:43Methods for Image-based Surveys of Benthic Macroinvertebrates and Their Habitat Exemplified by the Drop Camera Survey for the Atlantic Sea Scallop
Published on: July 2, 2018
16:21Quantifying Fish Swimming Behavior in Response to Acute Exposure of Aqueous Copper Using Computer Assisted Video and Digital Image Analysis
Published on: February 26, 2016
相关概念视频
Uniform Depth Channel Flow: Problem Solving
Uniform Depth Channel Flow
Testing Water Quality
Body Water Content and Fluid Compartments
Adaptations that Reduce Water Loss
