融合位置信息和上下文的水面目标检测方法

针对复杂多变的水面环境中,小目标检测精度低、漏检率高且检测平台计算资源有限的问题,提出了一种基于Efficientdet-D0融合位置信息和上下文的水面目标检测方法.首先,采用坐标注意力机制对主干特征提取网络的主要模块移动翻转瓶颈卷积进行改进,将目标的位置信息集成到通道注意力中,提高网络对水面小目标的检测能力;其次,在特征融合网络BiFPN中引入Cot模块,增强特征融合网络对特征图相邻和全局上下文的获取能力,进一步提高检测小目标的能力;最后,为优化预测网络训练,将预测网络激活函数替换为H-swish.在WSODD测试集中的实验结果表明,本文模型的mAP相比于原始模型提高了16.95%,漏检率下降明显,且本文模型参数量小于大多现有模型,证明了本文方法在水面目标检测模型中的有效性.

基于SOE-YOLO轻量化的水面目标检测算法

针对复杂多变的水面环境,小目标检测存在漏检、错检且检测平台计算资源有限的问题,提出了基于YOLOv8的轻量化水面目标检测算法SOE-YOLO。首先在Neck部分使用包含GSConv的Slim-Neck设计范式对模型进行轻量化改进;其次通过使用轻量型卷积(ODConv)模块重新构建Backbone部分,以减少参数量从而提高网络的检测速度;最后引入多尺度注意力机制(EMA)增强网络多尺度特征提取能力,提高小目标检测能力。在WSODD测试集中的实验结果表明,SOE-YOLO模型参数量和计算量分别为2.8 M和6.6 GFLOPs,与原模型相比分别减少12.5%和18.6%,同时mAP@%0.5和mAP@0.5-0.95分别达到79.9%和47.2%,与原模型相比分别提高2.4%和1.6%,且漏检率下降明显,优于当前流行的目标检测算法。FPS达到了64.25,满足水面目标检测实时性的要求。在实现轻量化的同时具有更好的检测性能,满足了在计算资源受限环境下的部署需求。

面向智能航道巡检的水面目标检测算法

为解决多场景复杂内河背景下水面目标检测存在环境噪声大、水面目标分布情况繁杂、特征微小模糊等问题,提出一种融合多尺度特征和注意力机制,增强类激活映射的水面目标检测算法,称UltraWS水面目标检测算法。在典型检测网络上设计空间注意力模块与多头策略,融合多尺度特征,提高对微小目标的检测能力。其次,提出UltraLU模块增强类激活映射,减小环境因素与分布因素对检测目标的影响。最后,设计对模型进行Tucker张量分解,实现模型轻量化,增强模型的可解释性与推理速度。实验结果表明,所提出的UltraWS算法提高了对背景噪声的抗干扰能力,更好捕捉微小目标,满足边缘化部署的检测速度和准确率均衡性需求。在WSODD数据集上,算法的mAP值取得了最高的84.5%,相较于其他主流方法存在较大提升。基于提出的算法建立航道安全巡检体系与评估方法,有利于推动内河智慧航运的发展。

多视图交叉一致性学习的半监督水面目标检测

为缓解基于半监督学习的水面目标检测对有限标注样本过拟合的问题,提高无标注样本中目标提取的有效性,提出了基于多视图交叉一致性学习的半监督水面目标检测算法。首先,该算法通过数据增强的方式为训练样本生成不同的视图以丰富数据集的多样性;然后,利用所提出的多视图目标判别器为无标注样本在线生成伪标签,有助于提取无标注样本的有效信息;最后,利用所提出的多视图交叉一致性学习使同一目标实例的不同视图的输出实现交叉一致性正则化,以促进检测模型学习判别性的特征从而降低过拟合的风险。在海上和内河数据集上的实验结果表明:文中所提算法能够提高特征提取的判别性,对多类别的水面目标检测精度达到91.0%,比全监督检测算法提高了18.7%,比其他半监督检测算法提高了3.8%以上;在检测速度上,该算法达到13.1帧/s,基本满足实时性要求。所提算法通过多视图交叉一致性学习提高特征的判别性和缓解检测模型的过拟合风险,有助于提高半监督水面目标检测的性能。

基于深度学习的水面目标检测模型压缩方法

针对目标检测模型过大且计算复杂而导致其无法应用于无图形处理器嵌入式终端的问题,通过改进YOLO算法,提出一种基于深度学习的水面目标检测模型压缩方法.采用带有深度可分离卷积和轻量级注意力模型的改进网络替代特征提取网络DarkNet,通过多尺度特征融合进行模型压缩,引入k-means++算法与Mish激活函数,保证模型压缩后的准确度.试验结果表明,YOLOv3-MobileNetV3网络模型较YOLOv3网络模型的参数量减少61.35%,模型大小减少144 MB,模型平均精度均值较YOLOv3-MobileNetV1网络模型提升5.55%,满足嵌入式设备水面目标检测实时性和准确性的要求.

改进YOLOv8的水面小目标检测算法

针对水面目标检测中的噪声干扰和小目标的漏检问题,提出一种改进YOLOv8的水面小目标检测算法YOLOv8-WSSOD(YOLOv8-water surface small object detection).首先,为降低水面复杂环境在主干网络下采样过程中产生的噪声干扰,提出基于BiFormer双层路由注意力机制构建的C2fBF(C2f-BiFormer)模块,在特征提取过程中保留细粒度的上下文特征信息;其次,针对水面小目标的漏检问题,新增一个更小的检测头,提升网络对小目标的感知力,并在Neck端引入GSConv和Slim-neck,减轻模型复杂度并保持精度;最后,使用MPDIoU损失函数解决CIoU损失函数的局限性,以提高模型检测准确率.实验结果表明,相较于原始YOLOv8算法,该算法在水面小目标上平均准确率mAP@0.5提升了4.6%,mAP@0.5:0.95提升了2.2%,并且改进后的算法检测速度达到86f/s,能有效实现对水面小目标快速、准确的检测.

基于深度学习的水面无人清理船目标检测综述

水面目标识别对水资源环境具有重要意义。综合当前基于深度学习的目标检测方法的发展历程以及在水面中的应用情况,对水面目标检测数据集及检测方法进行了研究。首先介绍了目标检测网络的发展历程。接着,对当前常用目标检测方法进行总结,阐述水面常用的公开数据集及水面目标检测算法的实际应用。最后,对基于深度学习的水面目标检测提出今后的研究方向。

基于视觉显著性的水面垃圾目标检测

针对实际水面复杂环境提出了一种基于视觉显著性的水面垃圾目标检测算法。首先对输入图像进行超像素分割,在CIELab、RGB和HSV颜色空间中提取超像素级的显著性特征,然后使用随机森林回归器将显著性特征进行融合得到疑似显著性图,并使用自适应阈值分割得到疑似二值显著性图,最后使用MLP分类器对原始图像中的疑似垃圾目标区域进行判别,去除水波、倒影和反光的干扰,最终检测出水面的垃圾目标。实验结果表明所提基于视觉显著性的水面垃圾目标检测算法的性能优于其他水面目标检测算法。

面向无人船感知的低对比度水面图像增强方法

近年来,越来越多国家和地区将发展的眼光聚焦于资源丰富的海洋。加快无人船相关技术的研究对我国提升海洋装备水平有着重大的战略意义。在无人船运行过程中,经常会遇到低对比度的水面图像,在对其进行增强时,传统的图像增强算法需要人工设置参数,且运行效率低。针对以上问题,本文用卷积神经网络重构了MSR算法,提出MSRN模块,使用深度学习方法替代人工参数。同时引入通道级视觉注意力机制与编解码结构,提出MSSEN模型。实验表明,MSSEN模型对低对比度水面图像增强效果明显。除此之外,基于MSSEN网络,本文提出低级视觉任务与高级视觉任务结合的框架,以端到端的形式完成图像增强与水面目标检测识别的任务,提升了整个算法的性能与效率。

基于多分支注意力改进的YOLOv5无人艇目标检测方法

针对水面无人艇目标检测类别多、尺寸小、形变大等难题,提出了基于多分支注意力改进的YOLOv5检测算法。首先提出了一种SAv2Attention模块,通过对通道的“复制-转换-合并”等处理,实现卷积层通道间与通道内特征融合,提升网络的局部感受野,然后将其嵌入到YOLOv5网络,最后在构建的真实海试数据集上进行了大量对比实验。结果表明,SAv2Attention可有效提升YOLOv5的检测精度,典型海面目标数据集上,mAP@0.5检测精度达到94.6%,mAP@0.5:0.95检测精度达到60.9%,相较于原生算法分别提高1.4%和3%,对小尺寸目标平均检测率APS提升4.3%,证明所提方法能有效提升无人艇对水面小目标的检测能力。