Re-YOLOX:利用Resizer改进的YOLOX近岸海域监测目标识别模型

近岸海域监测包括自然环境监测和人类活动监测,其监测目标的高精准识别对海洋经济的健康发展、海洋环境的生态保护以及海洋防灾减灾等都有重要的作用。近岸海域监测目标具有多类型、多尺寸和不确定性等特征,现有识别模型在对近岸海域监测目标识别时,存在精度和效率欠佳、小目标漏检现象严重等问题。针对上述问题,利用可学习的图像调整模型(Resizer model)改进YOLOX,提出了面向近岸海域监测目标的识别模型(Re-YOLOX),包括:①利用Resizer model加强模型训练,提升模型的特征学习能力和表达能力,提高模型的召回率;②改进YOLOX的特征金字塔融合结构,减少小目标识别的漏检问题。用无人机监测的近岸海域视频数据作数据集,以车辆、船只和堆砌物为监测目标,将提出的Re-YOLOX模型与CenterNet,Faster R-CNN,YOLOv3和YOLOX等模型进行比较。结果表明,Re-YOLOX模型的平均预测精准率mAP可达94.23%,平均召回率mR可达91.99%,平均F1值mF1可达89.67%,均高于对比模型。综上所述,文章提出Re-YOLOX在保证目标识别效率的前提下提高了目标识别的精度,可为近岸海域管理提供技术支撑。