侧扫声纳检测沉船目标的轻量化DETR-YOLO法

基于YOLOv5算法的侧扫声纳海底沉船目标检测方法虽然在检测精度和速度上取得了不错的成绩,但是如何在复杂海洋噪声背景下进一步提高小目标检测的准确性、降低重叠目标漏警和虚警率的同时实现模型的轻量化是一个亟需解决的课题。为此,本文创新融合DETR(end-to-end object detection with transformers)与YOLOv5结构,提出了基于DETR-YOLO模型的轻量化侧扫声纳沉船目标检测模型。首先,加入多尺度特征复融合模块,提高小目标检测能力。然后,融入注意力机制SENet(squeeze-and-excitation networks),强化对重要通道特征的敏感性。最后,采用加权融合框(weighted boxes fusion, WBF)策略,提升检测框的定位精度和置信度。实验结果表明,本文模型在测试集AP_0.5和AP_0.5∶0.95值分别达到84.5%和57.7%,较Transformer和YOLOv5a模型大幅度提高,以较小的效率损失和权重增加为代价取得了更高的检测精度,在提升全场景理解能力和小尺度重叠目标处理能力的同时满足轻量化工程部署需求。