May, 2020

使用反转多分类 Adaboost 和深度学习进行水下物体检测

PDF
TL;DR本文提出了一种基于深度学习的小目标检测方法 SWIPENet，其包括高分辨率和语义丰富的 Hyper Feature Maps 以及一种新型的样本加权损失函数，该方法采用 Invert Multi-Class Adaboost（IMA）降低了对噪声的影响，针对水下目标检测领域，该方法表现出较高的准确性。
发现论文，激发创造
  • 一种新的水下图像增强和改进的水下生物检测流程

    本文提出一种基于卷积块注意力模块和自适应全局直方图拉伸算法的水下目标检测方法，以提高水下环境下目标检测的准确性和图像质量，经过对 URPC2021 基准数据集的大量实验和全面评估，证明了该方法的有效性。

    May, 2022

  • 水下场景中增强和目标检测的联合知觉学习

    我们提出了一个双层优化方法，用于共同学习水下物体检测和图像增强，并将其展开为一个双重感知网络（DPNet）。DPNet 通过一个共享模块和两个任务子网络从两个不同任务中学习，寻求共享表示。共享表示为图像增强提供更多结构细节和物体检测提供丰富的内容信息。通过广泛的实验，我们的方法在实际和合成水下数据集上展示出对视觉的青睐以及更高的检测准确性。

    Jul, 2023

  • DeepSeaNet: 利用 EfficientDet 提升水下物体检测

    该研究使用现有的水下数据集 Brackish-Dataset，评估了多种目标检测模型（包括 EfficientDet，YOLOv5 等）在含盐度高、可见度低的自然复杂环境下的效果，其中，通过修改 EfficientDet 的机制，实现了对抗性干扰下高 Iou 的复杂特征融合，并提供了针对模型黑盒性的类激活映射解释。研究结果表明，修改后的 EfficientDet 在五倍交叉验证下，比其他模型表现更好，具有更高的 IoU。

    May, 2023

  • 水下图像增强是否为所有目标检测器所需要？

    海底目标检测中的图像增强算法对提高检测效果具有重要影响，本研究通过使用 18 种最先进的海底图像增强算法对数据进行预处理，重训练 7 种深度学习目标检测模型，得出了 126 个海底目标检测模型，并通过对比原始图像上的 7 个目标检测模型，全面分析了图像增强对海底目标检测的影响。

    Nov, 2023

  • 使用领域对抗学习的全能水下图像增强

    本文介绍了一种用于增强不同水域下水下图像的模型，采用深度学习技术，通过对图像特征进行无关领域的学习，提高了图像增强的性能，并在物体检测任务中表现出了显著的改善。

    May, 2019

  • 快速水下图像增强以提升视觉感知

    提出了一种条件生成式对抗网络模型来实现实时水下图像增强，该模型基于全局内容、颜色、局部纹理和样式信息来评估感知图像质量，并使用 EUVP 数据集进行监督学习，可以从匹配和非匹配训练中学习提高水下图像质量，进而进一步提高水下物体检测、人类姿态估计和显著性预测等任务表现。

    Mar, 2019

  • 物理启发的合成水下图像数据集

    该论文介绍了一种物理启发合成的水下图像数据集（PHISWID），它是为改善水下图像处理而定制的数据集。PHISWID 通过提供一套配对的真实（大气）和合成退化的水下图像，展示了颜色降低和海洋雪的影响，填补了使用基于物理方法合成的水下图像数据集的空白。PHISWID 特别适用于监督学习中深度神经网络的训练和基准分析中的图像质量客观评估。

    Apr, 2024

  • 深度学习创新在水下废物检测中的应用：一项深入分析

    通过综合评估现有数据集和先进技术的体系结构，本文旨在为水下废物和垃圾检测建立基线，从而为先进的水下传感器和自主水下车辆提供目标定位技术的基准，最终实现水下环境的探测、废物识别和清除。

    May, 2024

  • 基于混合经典量子卷积神经网络的水下图像机载分类

    利用量子 - 经典混合机器学习方法，实现了首次在自主水下车辆上进行实时水下物体识别，效率大于 65％，运行时间减少三分之一，并且相比经典机器学习方法，所需数据集大小减少 50％。

    Apr, 2024

  • 领域适应水下目标检测与图像增强的实时框架

    近年来，在水下图像增强（UIE）领域取得了显著进展，但其在自主水下载具（AUVs）中的水下物体检测（UOD）等高级视觉任务中的实际应用仍较少探索。我们介绍了一种集成实时框架 EnYOLO，旨在同时进行 UIE 和 UOD，并具有域自适应能力。综合实验表明，我们的框架不仅在 UIE 和 UOD 任务中达到了最先进的性能，而且在应用于不同的水下场景时显示出了卓越的适应性。

    Mar, 2024