计算机工程

作者：罗偲, 李凯扬, 吴吉花, 任鹏

单位：中国石油大学(华东)海洋与空间信息学院, 山东 青岛 266580

关键词：机器视觉,水下目标检测,对抗样本,损失函数,SE-ResNet50网络,特征融合

基金：国家重点研发计划(2021YFE0111600)

水下环境复杂, 遮挡目标信息缺失严重而难以提取到足够的特征信息, 导致水下遮挡目标易被漏检。为解决该问题, 提出一种基于对抗注意力机制的水下目标检测算法。以Faster R-CNN算法为框架, 提出基于空间注意力机制的对抗生成遮挡样本网络(AOGN)。AOGN与Faster R-CNN网络相互竞争, 通过三阶段训练过程, 在不增加推理负担的情况下学习生成检测网络难以正确区分的样本, 提高Faster R-CNN网络对水下遮挡目标的检测精度。使用Focal loss增加困难样本的损失比重, 解决水下数据集难易样本不平衡的问题。在此基础上, 为获得更丰富的水下目标特征信息, 使用SE-ResNet50代替VGG16作为骨干网络, 通过残差网络和SE模块的结合获得更有效、更丰富的水下目标信息, 提高对检测目标的特征提取能力, 同时加入多条ROIpooling支路实现多尺度特征融合, 增加特征的丰富性。实验结果表明, 该算法在URPC数据集和水下垃圾数据集上分别取得了73.76%和86.85%的平均精度均值(mAP), 遮挡目标漏检率分别达到2%和7%, 相较于其他检测算法能够有效提升检测性能。

来源：2024年第10期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第10期