结合区域提取和改进卷积神经网络的水下小目标检测

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。

基于多速率空洞卷积的多尺度水下小目标检测

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。

基于改进的YOLOv5s算法的水下小目标检测

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。