结合数据增强和改进YOLOv4的水下目标检测算法

摘要：

针对水下低质量成像、水下目标形态大小各异、以及水下目标重叠或遮挡导致水下目标检测精度低的问题,提出一种结合数据增强和改进YOLOv4(you look only once)的水下目标检测算法,在YOLOv4的主干特征提取网络CSPDarknet53中添加卷积块注意力机制(convolutional block attention module,CBAM),以提高网络模型特征提取能力;在路径聚合网络(path aggregation network,PANet)中添加同层跳接和跨层跳接结构,以增强网络模型多尺度特征融合能力;通过数据增强方法PredMix(prediction-mix)模拟水下生物重叠、遮挡等显示不完全的情形,以增强网络模型鲁棒性.实验结果表明,结合数据增强和改进YOLOv4的水下目标检测算法在URPC2018(underwater robot picking control 2018)数据集上的检测精度提升到了78.39％,比YOLOv4高出7.03％,充分证明所提算法的有效性.

关键词：深度学习、目标检测、YOLOv4、水下检测

所属期刊栏目：36

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金;中央高校基本科研业务费项目

在线出版日期：2022-07-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：113-121