May, 2023

DeepSeaNet: 利用 EfficientDet 提升水下物体检测

PDF
TL;DR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。
underwater object detectionefficientdetyoloadversarial noiseexplainability
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

  • 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

  • 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

  • EfficientDet：可伸缩高效的目标检测

    本文系统地研究了神经网络结构设计选择以提高计算机视觉中目标检测的模型效率，提出多个优化方案，包括带权重的双向特征金字塔网络、统一调整骨干网络、特征网络、盒类预测网络的分辨率、深度和宽度的复合调节方法，成功开发了名为 EfficientDet 的新一代目标检测器，拥有更高的性能和更小的计算量。

    Nov, 2019

  • 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

  • YOLOv5 与 YOLOv8 在海洋渔业中的类别和实例数量的平衡

    本文通过对比研究 YOLOv5 和 YOLOv8 在三个不同类别（artemia，囊胚和粪便）中的目标检测性能，发现 YOLOv5 在检测 artemia 和囊胚时具有较高的精度和准确性，但在检测粪便时存在显著的挑战和限制，这表明 YOLOv8 在检测任务中具有更高的适应性和灵活性，而 YOLOv5 在复杂情境中可能需要进一步的调优或专门的训练来提高性能。结果对于 YOLOv5 和 YOLOv8 在具有挑战性的海洋环境中的目标检测应用具有重要意义。

    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

  • 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

  • 深度学习在海洋垃圾追踪和检测中的最新应用：一项调查

    20 年来，深度学习技术一直在海洋垃圾问题中得到探索，并且在过去的 5 年中取得了快速发展。该研究提供了 28 项最近和最重要的关于深度学习在海洋垃圾识别中的贡献的全面、最新的总结和分析。交叉引用研究结果表明，YOLO 系列方法在目标检测方面明显优于其他方法，但是有很多受认可的贡献明确表示目前没有可用于机器学习的全面的水下垃圾数据库。我们使用我们自己策划和标记的小型数据集，在二元分类任务上测试了 YOLOv5，发现准确率较低，假阳性率较高，凸显了建立全面数据库的重要性。最后，我们提出了 40 多项未来研究建议和开放性挑战。

    Mar, 2024

  • MarineDet：走向开放海洋目标检测

    通过预训练建立联合视觉 - 文本语义空间，然后进行海洋专属训练以实现水下图像中各种多样且未知的海洋物体的同时分类和定位的开放式海洋物体检测（OMOD）

    Oct, 2023