Jun, 2023

边缘引导的水下物体检测表征学习

PDF
TL;DR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。
underwater object detectiondiscriminative representation learningedgy-guided attention modulefeature aggregation modulemulti-scale discriminative features
发现论文，激发创造
  • 水下物体检测的门控跨域协作网络

    提出了 GCC-Net 方法，该方法通过融合纯净图像和增强后的图像，利用跨域合作的特征交互模块来改进水下物体检测的可见性。实验结果表明该方法在四个水下数据集上取得了最先进的性能。

    Jun, 2023

  • 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

  • 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

  • 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

  • ADOD: 自适应领域感知残余注意力在水下环境中的目标检测

    ADOD 是一种用于水下目标检测中解决领域泛化的新方法，通过增强模型在各种水下环境下的泛化能力来确保其稳健性。它采用了 Residual Attention YOLOv3 框架和基于注意力机制的领域分类模块，通过提升检测准确性和适应性，实现了在看得见和看不见的领域中出色的性能表现。

    Dec, 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

  • 一种重点关注边界的水下图像语义分割方法及真实水下场景语义分割数据集

    为了提高水下抓取效率，我们标记并建立了第一个真实场景的水下语义分割数据集 (DUT-USEG:DUT Underwater Segmentation Dataset)，并基于此数据集提出了一个重点关注边界的半监督水下语义分割网络 (US-Net: Underwater Segmentation Network)，通过设计伪标签生成器和检测子网，实现了水下物体与背景之间边界的精细学习，并改善了边缘区域的分割效果，实验表明该方法在 DUT-USEG 数据集中的三类动物物种 (海葵，海胆和海星) 上提高了 6.7％的性能，达到了最先进的结果。

    Aug, 2021

  • 弱监督对比学习用于无监督物体发现

    利用弱监督对比学习的语义引导自监督学习模型，在基于自我监督模型 DINO 的特征编码器上微调，采用主成分分析（PCA）来定位物体区域，实验证明了该解决方案的有效性。

    Jul, 2023

  • 学习水下物体检测的严重退化先验

    通过使用统计观察，该论文提出了一种基于残差特征传递模块（RFTM）的方法，将具有严重退化的图像区域用于水下物体检测的先验代替，并应用于 CNN-based 特征提取网络，以提高水下物体检测的性能。实验结果显示，该方法在速度和参数数量方面优于基于 CNN 的检测器，并且表现仍优于基于 Transformer 的检测器。

    Aug, 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