基于改进EfficientNet的水下图像识别

针对水下图像存在细节模糊、多尺度以及识别模型计算资源大等问题,提出一种改进EfficientNet的图像识别模型。该模型通过迁移学习在公开数据集上训练得到初始模型参数,提出自适应参数化修正线性单元激活函数(Adaptively Parametric ReLU,APRelu)和基于选择性内核网络的注意力(Selective Kernel Network,SK)模块加强处理图像的细节特征和多尺度问题。通过保留所有MBConv6模块中的第一个Layer,并在最后一个MBConv6模块后嵌入BN和APRelu模块,加快其收敛速度并去除冗余特征。使用数据增强、十折交叉验证、快照集成等策略提高模型性能。实验对比表明,该模型在测试集上的准确率达到了97.32%,相对于改进前提高了3.75%,具有较高的识别性能。

基于CNN、迁移学习和SVM的水下光源识别算法

水下光源作为AUV(Autonomous Underwater Vehicle)近距离视觉定位的目标物体,其识别质量将直接影响到AUV水下近距离对接时的定位精度,为了精准地对水下检测到的光源进行识别,论文提出了一种基于卷积神经网络(Convo⁃lutional Neural Network,CNN)、支持向量机(Support Vector Machine,SVM)和迁移学习的定位目标光源识别方法。该方法首先将ImageNet上的数据集带入CNN进行训练得到初始的CNN模型,然后基于迁移学习的思想,将采集到的水下光源图像带入模型对参数进行调整,最后去掉模型的Softmax函数,取出处于CNN模型全连接层输出的4096维特征组成特征向量,带入SVM对目标图像进行分类,从而提取出真目标光源,剔除掉伪光源和其他水下目标。结果表明,采用该方法对于水下光源的识别具有较强的鲁棒性和缩放、平移、旋转变换不变性。

Underwater sonar image recognition based on gray-spatial histograms

A new gray-spatial histogram is proposed, which incorporates spatial informatio n with gray compositions without sacrificing the robustness of traditional gray histograms. The purpose is to consider the representation role of gray compositi ons and spatial information simultaneously. Each entry in the gray-spatial hist ogram is the gray frequency and corresponding position information of images. In the experiments of sonar image recognition, the results show that the gray-spa tial histogram is effective in practical use.