水下声呐图像轻量级目标检测模型

摘要：

水下AUV搭载声呐进行探测成为水下目标检测的主流方式,水下环境的复杂及声呐成像方式导致声呐图像分辨率较低,使用形态学目标检测等传统方法时检测精度与实时性不高,深度学习如YOLO等算法直接用于水下声呐图像目标检测时仍然面临样本少、模型参数多等挑战,为此,本文提出一种声呐图像水下目标轻量化检测模型.针对低分辨率声呐图像数据特点以及水下AUV自动检测对实时性的要求,以YOLOv4模型为主要框架,进行模型裁剪、替换优化特征融合模块、目标预测框K均值聚类以及改进损失函数等,将构建的检测模型应用于声呐目标检测.所构建的声呐图像水下目标检测轻量化模型的mAP相对于SSD、YOLOv3、YOLOv3-DFPIN、YOLOv4-tiny分别提高了0.0659、0.0214、.0402和0.1701.在mAP相较于YOLOv4、CenterNet、EfficientdetD0分别低0.0186、0.0093、0.0074的情况下,FPS分别相对于YO?LOv4提升一倍多、相对于EfficientdetD0提升近5倍、相对于CenterNet提升近一倍.同时,本文提出的模型兼具高精度和实时性的优点.实验结果表明,本文提出的特征提取网络能够减小网络参数冗余,提高模型效率和检测速度,结合自适应空间特征融合模块增强了不同尺度之间特征的相互融合和重用,提高了低分辨率声呐图像目标检测的精度.

关键词：目标检测、水下声呐图像、深度学习、YOLOv4、Kmeans++

分类号：TP391(计算技术、计算机技术)

资助基金：中央高校基本科研业务费项目;中央高校基本科研业务费项目

在线出版日期：2023-04-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：16-22,28