一种新的水下图像增强和改进的水下生物检测流程

May, 2022

一种新的水下图像增强和改进的水下生物检测流程

A Novel Underwater Image Enhancement and Improved Underwater Biological Detection Pipeline

Zheng Liu, Yaoming Zhuang, Pengrun Jia, Chengdong Wu, Hongli Xu ang Zhanlin Liu

TL;DR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。

Abstract

For aquaculture resource evaluation and ecological environment monitoring, automatic detection and identification of marine organisms is critical. However, due to the low quality of underwater images and the characteristics of underwater biological, a lack of abundant features may impe

aquaculture underwater object detection cnn-based algorithms convolutional block attention module image quality restoration

发现论文，激发创造

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

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

BG-YOLO：一种海底目标检测的双向引导方法

提出了一种命名为 BG-YOLO 的水下目标检测的双向引导方法，通过构建增强分支和检测分支以及特征引导模块，该方法在显著改善严重降质的水下场景中的检测器性能的同时保持了出色的检测速度。

Apr, 2024

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

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

分离式注意力：一种基于 Cycle GAN 的改进型水下图像增强方法

提出了一种基于改进的 Cycle GAN 模型的水下图像增强方法，利用深度导向关注机制增强整体图像对比度，保持全局内容、颜色、局部纹理和样式信息不变，该方法在包含配对和非配对水下图像集的基准数据集上训练，定性和定量评估结果表明该模型适用于自主水下航行的视觉导航。

Apr, 2024

边缘引导的水下物体检测表征学习

本研究提出了使用边缘信息指导的表征学习网络 ERL-Net，该网络包括边缘指导的 attention 模块和特征聚合模块，以及一种宽而不对称的感受野块，用于改进水下物体检测中的低对比度、小目标的识别。实验证明，该方法在三个挑战性的水下数据集上均取得了优异的表现。

Jun, 2023

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

使用 YOLO 进行自动珊瑚检测：高效准确的珊瑚礁监测的深度学习方法

我们提出了一种利用 YOLO 深度学习模型的自动珊瑚检测系统，该系统针对水下图像分析进行了专门设计，该系统在原始图像数据集上成功实现了高效准确的珊瑚检测，突显了高级计算机视觉技术在珊瑚礁研究和保护中的潜力。

Apr, 2024

使用反转多分类 Adaboost 和深度学习进行水下物体检测

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。

May, 2020