10.11975/j.issn.1002-6819.2022.20.015
融合多尺度特征和多重注意力的水下目标检测
探明海洋生物资源的分布情况,对渔业捕捞和海洋牧场管理具有重要意义.该研究针对水下环境复杂、水下目标存在多尺度、多类别及小目标较多等复杂情况,提出水下目标两阶段网络检测方法.首先通过改进多尺度特征提取和融合,获取水下目标多尺度信息和增强目标特征,得到更加丰富的目标特征信息,然后构建多重注意力,利用空间和通道维度中的全局特征依赖关系,进一步挖掘深层特征信息和隐藏信息,突出背景和目标的差异性,最后在模型训练中采用样本均衡方法,自适应均衡正负样本比例,减少无效样本,实现模型快速收敛.在国际水下机器人大赛公开数据集UPRC2019、WildFish及自建数据集上对所提方法进行试验,其mAP(mean Average Precision)分别达到85.3%、96.9%和97.8%,召回率分别达到90.6%、98.7%和98.9%,相较于Libra RCNN(CVPR2019)、Double head RCNN(ECCV2020)和STransFuse(2021)等检测方法,该文方法mAP要比上述方法分别高9.58、12.2和4.1个百分点.研究结果可为海洋渔业生物监测、水下机器人精准捕捞作业提供技术支撑.
目标检测、特征融合、注意力、自适应均衡采样、水下小目标
38
TP391(计算技术、计算机技术)
国家自然科学基金;山东省高等学校青创科技支持计划
2023-02-10(万方平台首次上网日期,不代表论文的发表时间)
共11页
129-139