-
题名结合区域提取和改进卷积神经网络的水下小目标检测
- 1
-
-
作者
符书楠
许枫
刘佳
逄岩
-
机构
中国科学院声学研究所
中国科学院大学
-
出处
《应用声学》
CSCD
北大核心
2023年第6期1280-1288,共9页
-
基金
中国科学院青年创新促进会项目(2020023)。
-
文摘
针对水下小目标信息量有限而难以提取有效特征导致的检测性能不佳问题,提出了一种结合区域提取和融合Hu矩特征的改进卷积神经网络水下小目标检测方法。该方法包含区域提取和分类两个步骤。首先以马尔可夫随机场分割算法为基础进行区域提取,对潜在目标定位的同时降低伪目标对后续分类的干扰;然后提取潜在目标区域的Hu矩特征并融入卷积神经网络,形成一种形状特征表征能力更强的改进卷积神经网络用于分类。声呐实测数据处理结果表明,该方法可以有效提升对水下小目标的发现概率和正确报警率,与其他目标检测方法相比,该方法具有更好的检测性能和泛化性。
-
关键词
水下小目标检测
卷积神经网络
Hu矩特征
马尔可夫随机场分割
-
Keywords
Underwater small object detection
Convolutional neural network
Hu moment features
Markov randomfield segmentation
-
分类号
TB566
[交通运输工程—水声工程]
-
-
题名基于多速率空洞卷积的多尺度水下小目标检测
被引量:2
- 2
-
-
作者
谌雨章
黄逸姿
张钧涵
-
机构
湖北大学计算机与信息工程学院
湖北大学曼城联合学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2023年第6期257-264,共8页
-
基金
教育部产学合作协同育人项目(202101142041)
大学生创新创业训练计划项目(S201910512024,S202010512080,202010512020,X202110512069)。
-
文摘
水下场景成像条件复杂、小目标的分辨率低且信息量少而难以提取有效的特征信息,导致水下小目标检测识别率低并且虚警率高。针对该问题,提出一种基于多速率空洞卷积的多尺度水下小目标检测方法。使用主干网络模型DarkNet53进行特征提取得到高层语义信息,采用多速率空洞卷积模块扩大网络的感受野,通过调整扩张率在更大像素范围内获取特征信息,并添加残差结构保证小目标定位的详细信息。为恢复小目标的分辨率,利用反卷积模块对图像细节进行重建,在不同分辨率的特征图上学习细节特征。在此基础上,通过特征金字塔结构将更丰富的多尺度上下文信息引入反卷积层,使多个层次的特征跨尺度学习以增强小目标的定位和分类,并对特征融合后的每一层输出进行特征整合和筛选,得到最终的预测结果。实验结果表明,该方法在Pascal VOC2007和URPC2018公共数据集上分别取得了82.6%和81.5%的mAP,在检测速度上分别达到34.4和34.2帧/s,能够在保证实时检测的基础上有效增强水下小目标的检测能力。
-
关键词
深度学习
水下小目标检测
空洞卷积
反卷积网络
残差网络
-
Keywords
deep learning
underwater small object detection
dilated convolution
deconvolution network
residual network
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于改进的YOLOv5s算法的水下小目标检测
被引量:2
- 3
-
-
作者
魏养养
李本银
曹孟新
-
机构
安徽工程大学电气工程学院
安徽工程大学安徽省电气传动与控制重点实验室
安徽工程大学高端装备先进感知与智能控制教育部重点实验室
-
出处
《安徽工程大学学报》
CAS
2022年第6期31-41,共11页
-
基金
安徽省自然科学基金资助项目(1908085QE247)
安徽工程大学引进人才科研启动基金资助项目(2017YQQ010)。
-
文摘
针对目前水下小目标检测任务中检测精度低、目标重叠等问题,提出了一种改进YOLOv5s网络的水下小目标检测算法。首先在YOLOv5s的骨干网络中研究嵌入不同数量与位置的卷积块注意力模块来增强网络对特征图重要目标信息的关注;然后在网络颈部增添金字塔池化层,加强局部特征与全局特征的融合,使得特征图表达的信息更加丰富;最后将传统的非极大值抑制算法用中心距离非极大值抑制来代替,改善漏检误检的情况。实验结果表明,该算法在通用水下目标数据集RUIE以及小目标数据集VEDAI上平均精度分别可以达到85.25%和75.12%,显著提升了水下小目标检测的精度,降低了误检率。
-
关键词
水下小目标检测
卷积块注意力机制
空间金字塔池化
中心距离非极大值抑制
-
Keywords
underwater small target detection
convolution block attention mechanism
space pyramid pooling
distance-iou non-maximum suppression
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-