Sep, 2023

UnitModule：用于水下对象检测的轻量级联合图像增强模块

PDF
TL;DR我们提出了一个插拔式的水下联合图像增强模块 (UnitModule)，可以为检测器提供所需的输入图像，并且通过无监督学习提高 UnitModule 与检测器之间的交互效果。在水下图像的不同色偏情况下，UnitModule 通过配合的色偏损失和一种数据增强方法 (UCRT) 来改善性能。通过在不同的目标检测模型上进行广泛实验，我们发现 UnitModule 在 YOLOv5-S 模型上能够实现 2.6 AP 的最高性能提升，并可以在全新的测试集 (URPCtest) 上获得 3.3 AP 的提高。UnitModule 显著提高了我们测试的所有目标检测模型的性能，特别是对于参数数量较少的模型而言，而且对原始目标检测模型的推理速度影响较小。我们的定量和视觉分析也证明了 UnitModule 在增强输入图像和提高检测器对目标特征的感知能力方面的有效性。
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

  • LU2Net：一种轻量级实时水下图像增强网络

    提出了一种用于实时增强水下图像的新型 U 形网络 LU2Net，通过引入轴向深度卷积和通道注意力模块，显著降低了计算需求和模型参数，从而提高了处理速度，并能以比现有最先进的水下图像增强方法快 8 倍的速度提供增强后的水下图像。此外，LU2Net 还能够处理实时水下视频增强。

    Jun, 2024

  • 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

  • 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

  • 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

  • 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

  • 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

  • 现实世界水下增强：挑战、基准和解决方案

    本文介绍了一个用于水下图像处理的系统，构建了一个大规模的水下图像数据集 (RUIE)。在 RUIE 上，对多种算法进行了海量实验，以评估其在提高图片可视度和校正色调方面的效果和限制，并在提高可视度和校正色调的基础上，探索了其对目标检测的贡献。

    Jan, 2019

  • 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

  • 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