海洋锋是重要的中尺度海洋现象,具有数据量小、目标小、弱边缘等特性.针对实际检测任务中弱边缘、小目标海洋锋的检测精度低、错检及漏检率高等问题,融合scSE(spatial and channel Squeeze&Excitation)空间注意力模块构建了一种改进的Mask R-CNN海洋锋检测模型.该方法首先对Mask R-CNN骨干网络结构进行改进,采用scSE模块引导的ResNet-50网络作为特征提取网络,通过加权策略对图像通道和空间位置进行特征突出,提升网络对重要特征的提取能力;其次,针对海洋锋目标边缘定位不准确的问题,引入IoU boundary loss构建新的Mask损失函数,提高边界检测精度.最后,为验证方法的有效性,从训练数据和实验模型上,分别设计多组对比实验.实验结果表明,相比传统Mask R-CNN、YOLOv3神经网络及现有Mask R-CNN改进网络,本文方法对SST梯度影像数据集上的强、弱海洋锋检测效果最好,定位准确率(IoU,Intersection-over-union))及检测精度(mAP,Mean Average Precision)均达 0.914 以上.此外,对文中设计评估模型进行检测效率实验,结果发现在不同网络模型、不同迭代次数情况下,本文提出模型消耗时间最短,远低于YOLOv3网络完成训练时所用时长.

scSE空间注意力;Mask R-CNN;海洋锋检测;Mask损失函数

上海海洋大学 信息学院,上海 201306;上海建桥学院 信息技术学院,上海 201306;上海电力大学,上海 201306;上海电力大学 国际交流与合作处,上海 201306

[1]徐慧芳;黄冬梅;贺琪;杜艳玲;覃学标;时帅;胡安铎-.融合scSE模块的改进Mask R-CNN海洋锋检测方法)[J].海洋通报,2022(01):19-28

海洋锋检测

scSE,Mask,中尺度,海洋现象,数据量,针对实际,小目标,检测精度,漏检率,spatial,channel,Squeeze,Excitation,空间注意力,注意力模块,检测模型,骨干网络,ResNet,特征提取网络,空间位置,特征的提取,边缘定位,IoU,boundary,loss,损失函数,边界检测,验证方法,训练数据,实验模型,YOLOv3,进网,SST,影像数据,检测效果,定位准确率,Intersection,over,union,mAP,Mean,Average,Precision,中设计,设计评估,检测效率,迭代次数,出模,耗时间,时间最短

0.407916