探明海洋生物资源的分布情况,对渔业捕捞和海洋牧场管理具有重要意义.该研究针对水下环境复杂、水下目标存在多尺度、多类别及小目标较多等复杂情况,提出水下目标两阶段网络检测方法.首先通过改进多尺度特征提取和融合,获取水下目标多尺度信息和增强目标特征,得到更加丰富的目标特征信息,然后构建多重注意力,利用空间和通道维度中的全局特征依赖关系,进一步挖掘深层特征信息和隐藏信息,突出背景和目标的差异性,最后在模型训练中采用样本均衡方法,自适应均衡正负样本比例,减少无效样本,实现模型快速收敛.在国际水下机器人大赛公开数据集UPRC2019、WildFish及自建数据集上对所提方法进行试验,其mAP(mean Average Precision)分别达到85.3％、96.9％和97.8％,召回率分别达到90.6％、98.7％和98.9％,相较于Libra RCNN(CVPR2019)、Double head RCNN(ECCV2020)和STransFuse(2021)等检测方法,该文方法mAP要比上述方法分别高9.58、12.2和4.1个百分点.研究结果可为海洋渔业生物监测、水下机器人精准捕捞作业提供技术支撑.

目标检测;特征融合;注意力;自适应均衡采样;水下小目标

青岛科技大学信息科学技术学院,青岛 266061

[1]李辉;王晓宇;刘云;陶冶;付诗佳;吴依凡-.融合多尺度特征和多重注意力的水下目标检测)[J].农业工程学报,2022(20):129-139

UPRC2019,WildFish,CVPR2019,ECCV2020,STransFuse,自适应均衡采样

多重注意力,水下目标检测,海洋生物资源,渔业捕捞,海洋牧场,牧场管理,水下环境,环境复杂,多类别,复杂情况,两阶段,网络检测,多尺度特征提取,取水,目标多尺度,多尺度信息,目标特征,特征信息,全局特征,依赖关系,深层特征,隐藏信息,模型训练,样本均衡,均衡方法,正负样本,快速收敛,水下机器人,机器人大赛,公开数据集,自建数据集,mAP,mean,Average,Precision,召回率,Libra,RCNN,Double,head,百分点,海洋渔业,渔业生物,生物监测,人精,特征融合,水下小目标

0.405979