RepViTS-YOLOX:水下模糊及遮挡目标检测方法

针对水下目标检测中的目标模糊和遮挡问题,提出基于YOLOX改进的RepViTS-YOLOX水下目标检测方法。该方法采用RepViTS作为特征提取网络并通过结构重参数化,有效提升了对水下目标的特征提取能力和模型推理速度。引入空间和通道重构(spatial and channel reconstruction convolution,SCConv)模块,增强网络对模糊目标的关注。改进特征融合网络,通过跨尺度连接和多尺度融合,加强不同层次特征间的信息交流,使模型更好理解遮挡目标特征。针对定位和分类任务对特征的不同需求,引入上下文解耦头(task-specific context decoupling head,TSCODE),对遮挡目标更精准地定位和分类。实验结果证明,RepViTS-YOLOX方法在RUOD数据集上取得了85.7%的检测效果,较YOLOX提高了3.8个百分点。检测结果显示,该方法可以有效改善水下模糊和遮挡目标的检测情况,提高水下目标检测精度。

融合显示视觉中心与注意力机制的水下目标检测算法

针对水下海洋生物检测任务存在的目标间相互遮挡、对细长型目标检测精度低、小目标众多等问题,提出一种基于YOLOv5的水下目标检测算法。该算法通过引入可变形卷积、空洞卷积和注意力机制来重新设计主干网络,增强特征提取能力,解决目标间相互遮挡和对细长型目标检测精度低的问题;同时,提出加权显示视觉中心特征金字塔模块,解决特征融合不充分问题,降低小目标漏检率;并调整YOLOv5算法的网络结构,增加融合注意力机制的小目标检测层,提升对小目标物体的检测能力。实验结果表明:改进后的YOLOv5算法在URPC数据集上的平均精度均值达87.8%,较原始YOLOv5算法提高了5.3百分点;同时检测速度保持在34 frame/s;在水下目标检测任务中能够有效提高精确度,降低漏检率和错检率。