没有合适的资源?快使用搜索试试~ 我知道了~
基于空间特征选择的水下目标检测方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 93 浏览量
2022-11-03
10:05:36
上传
评论
收藏 359KB DOCX 举报
温馨提示
试读
9页
基于空间特征选择的水下目标检测方法.docx
资源推荐
资源详情
资源评论
0 引言
目标检测是计算机视觉中的主要任务之一。在深度学习时代之前,早期的目标检测方法依赖于手工
设计的特征,很难适应多变的应用场景。现如今由于深度学习的发展,基于神经网络的目标检测方法越来
越受欢迎。两阶段检测器 Faster R-CNN
[1]
使用 Region Proposal Network(RPN)代替选择性搜索,极大地
减少了提取候选区域的时间开销。一阶段检测器 YOLO (you only look once)
[2]
、SSD (single shot
multiBox detector)
[3]
系列算法因它们极快的运行速度被工业界所青睐。李欣健等
[4]
通过深度可分离卷积和
数据增强技术在火灾检测取得进展。邱健数等
[5]
通过级联卷积神经网络融合特征,完成目标的精确定位和
分类。最近,FCOS
[6]
、RepPoints
[7]
在速度和精度方面取得了不错的成就,甚至超越了一些两阶段检测
器。ATSS (adaptive training sample selection)
[8]
,PAA (probabilistic anchor assignment)
[9]
在正负样本分
配上进行创新,弥补了一阶段检测器精度不足的问题。GFocal V2 (generalized focal loss)
[10]
将分类和定
位联合表示,用向量表示包围框的分布。尽管通用目标检测方法飞速发展,但直接应用在水下场景时往往
表现不佳。
水下目标检测作为目标检测重要的分支,可以应用于海洋开发、海洋勘探等多个场景。配备智能目
标检测系统的水下机器人对智慧海洋战略具有重大意义。不幸的是,水下图像会受到光线吸收和散射的影
响,且水中的杂质会引入噪声并增加散射效果。这些不利影响限制了水下图像和视频的实际应用。
水下图像一般分为声学图像和光学图像。声学图像是由声纳产生的,它对物体的几何形状很敏感,
但忽略了物体的光学色彩。光学图像则由相机拍摄产生,它们可以准确地捕捉物体的形状和颜色。因此,
基于光学图像的水下目标检测方法受到了研究人员的青睐。Spampinato 等
[11]
应用视觉系统检测鱼类的种
类和数目。Chen 等
[12]
提出了一个新型采样加权网络以及一种鲁棒的训练范式来处理水下噪声多的问题。
Fan 等
[13]
通过引入复合连接的主干网络、双重锚框细化、焦损失(Focal Loss)
[14]
、可变形卷积(DCN
[15]
)等
优化方式,在水下数据集上取得了良好的性能。Akkaynak 等
[16]
利用具有深度信息的水下图像,提出了一
种基于修正模型的颜色恢复方法,以处理色彩偏移。Lin 等
[17]
描述了图像之间的相互作用,将不同的图像
候选区域混合,以模拟遮挡问题。尽管如此,它们在水下场景的实际应用中仍然不尽如人意。
如何有效地表示和处理多尺度特征是目标检测的主要难点之一。为了在不同尺度上表示不同大小的
物体,Lin 等
[18]
开创了一种自上而下的特征金字塔结构。随后,Liu 等
[19]
添加了一个额外的路径来增强特
征。近年来,Ghiasi 等
[20]
采用了神经架构搜索来寻找更好的网络结构,但它需要花费大量的时间和 GPU
资源,且难以解释原因。为了实现更加有效、合理的特征融合,BIFPN (bi-directional feature pyramid
network)
[21]
采用了具有更高准确性和更高效率的特征连接块。它通过多次重复堆叠特征块,共享高分辨率
特征图的细节信息和低分辨率特征图的丰富语义。陈琴等
[22]
利用扩张卷积建立中心邻域金字塔,捕获不同
级别的对比度信息,最后直接融合不同层级的信息。然而,受习性影响,水下生物易群居,导致对象目标
密集,在网络下采样时,信息容易丢失。此外,上述方法在特征融合时只考虑相邻的特征层级,这进一步
限制了网络的表征能力。
为了建模特征区域和任务之间的关系,提高检测精度,研究人员开始注意到分类和回归任务之间相
互纠缠。Song 等
[23]
提出如果检测器试图从同一个空间点或锚点推断分类得分和回归坐标,它总是会得到
一个不完美的权衡结果。Kong
[24]
等提出使用中心采样的方式,有效去除了大量包含背景的特征。Gidaris
等
[25]
预测了对象边界在候选框中的可能性。Wang 等
[26]
采用了一个额外的阶段,通过将包围框划分为等分
的桶来预测边界的移动,并精确定位边界在桶中的位置。Qiu 等
[27]
提出使用边界特征来增强单点特征,以
资源评论
罗伯特之技术屋
- 粉丝: 3648
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功