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

本文对使用深度神经网络（DNN）进行海洋垃圾检测的问题及相关问题（如图像分类、匹配和检测建议）进行了全面评估，研究结果表明，对于评估任务，DNN 是一种优越的技术，尤其是在匹配和检测建议任务方面具有很大的优势，这对于实践者是有价值的信息。

May, 2019

使用深度学习方法提高浮标检测和管理的准确性和鲁棒性，通过使用源自新西兰贻贝养殖场的多样化数据集和迁移学习技术，研究表明深度学习通过提高鲁棒性能和跨多样的天气条件进行浮标检测的实际有效性。

Aug, 2023

使用现有的交通摄像头和深度学习模型，本研究开发了一种检测内陆水路驳船交通的方法，并可用于匿名的大宗商品追踪和监测，为公共交通机构的长期交通规划以及美国工程兵团等联邦机构的运营和维护规划提供有价值的数据。

Jan, 2024

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

本文研究了基于深度学习的 Faster R-CNN 在航空图像目标检测中的应用，通过对多种策略的探索，成功提升了模型在 iSAID 数据集上的平均精度（mAP），为航空图像目标检测提出了有效的解决方案。

Jan, 2022

利用海洋无人机进行目标检测的深度学习技术在海洋工程和海洋行业的应用越来越重要。本文综述了海洋无人机目标检测面临的挑战、相关方法以及无人机航拍数据集，并提出了一个名为 MS2ship 的海洋无人机航拍数据集用于船只检测。通过一系列实验评估和鲁棒性分析，论文展示了这些目标检测方法在海洋数据集上的性能，并对未来的海洋无人机目标检测工作进行了讨论和展望。

Nov, 2023

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

通过改进检测精度、减少模型面临的问题以及应用数据增强、噪声降低、参数优化和模型融合等技术，我们提出了一种针对混杂背景、遮挡环境中实时检测汽车和坦克的深度学习模型。SSD-Mobilenet v2 模型的准确率和帧数优于 YOLO V3 和 YOLO V4，我们通过引入数据增强、噪声降低、参数优化和模型融合等技术进一步提高检测和识别的效果，并对检测方式进行了统计，属性实验比较，并实现了一个具有物体计数、警报、状态、分辨率以及帧数等功能的图形用户界面系统。该方法的实施得到了 YOLO V3、V4 和 SSD 分析的确认，以完成提出的方法。

Jan, 2024

本文提出了一个基于深度学习的高效检测方法和包含多种水下环境的标注数据集，以更精确地定位、分类和移除水下废弃物及海底垃圾，并解决由于光线折射、颜色失真等因素带来的诸多挑战。

May, 2023