密集的极端初始基于网络的边缘检测与深度强化学习用于在水下环境中对象定位

科学领域:

• 机器人和自动化 机器人和自动化
• 计算机视觉 计算机视觉
• 海洋技术 海洋技术

背景情况:

• 由于压力,光衰减和温度等因素,水下环境对观测和探索提出了独特的挑战.
• 准确的物体检测 (OD) 对于了解海洋生态系统和管理水下基础设施至关重要.
• 现有的成像技术和算法难以应对水下图像的复杂性.

研究的目的:

• 开发一种先进的技术,用于强大的水下物体检测和分类.
• 解决当前方法在具有挑战性的水生条件下准确识别物体的局限性.
• 引入一种结合边缘检测和深度强化学习的新方法,以提高水下情境意识.

主要方法:

• 提出了一种基于密集极端初始网络的边缘检测与对象定位深度强化学习 (DEINED-DRLOL) 技术.
• 边缘检测密集极端开始网络 (DexiNed) 用于边缘地图预测.
• 使用YOLOv5方法进行了对象检测,然后使用Q-强化学习 (QRL)进行分类.

主要成果:

• 通过DEINED-DRLOL技术,在水下环境中证明了有效的边缘检测和物体分类.
• 在水下OD数据集上的实验结果显示,与现有模型相比,其性能优越.
• 拟议的方法在水下物体检测任务中实现了92.67%的高精度.

结论:

• 在水下物体检测能力方面,DEINED-DRLOL技术提供了显著的进步.
• 这种方法提高了更有效地探索和监测海洋环境的能力.
• 该研究强调了将先进的深度学习技术集成到复杂的水下成像挑战中的潜力.