计算机工程

作者：谌雨章, 黄逸姿, 张钧涵

单位：1. 湖北大学 计算机与信息工程学院, 武汉 430062;2. 湖北大学 曼城联合学院, 武汉 430062

关键词：深度学习,水下小目标检测,空洞卷积,反卷积网络,残差网络

基金：教育部产学合作协同育人项目(202101142041);大学生创新创业训练计划项目(S201910512024,S202010512080, 202010512020,X202110512069)。

水下场景成像条件复杂、小目标的分辨率低且信息量少而难以提取有效的特征信息，导致水下小目标检测识别率低并且虚警率高。针对该问题，提出一种基于多速率空洞卷积的多尺度水下小目标检测方法。使用主干网络模型DarkNet53进行特征提取得到高层语义信息，采用多速率空洞卷积模块扩大网络的感受野，通过调整扩张率在更大像素范围内获取特征信息，并添加残差结构保证小目标定位的详细信息。为恢复小目标的分辨率，利用反卷积模块对图像细节进行重建，在不同分辨率的特征图上学习细节特征。在此基础上，通过特征金字塔结构将更丰富的多尺度上下文信息引入反卷积层，使多个层次的特征跨尺度学习以增强小目标的定位和分类，并对特征融合后的每一层输出进行特征整合和筛选，得到最终的预测结果。实验结果表明，该方法在Pascal VOC2007和URPC2018公共数据集上分别取得了82.6%和81.5%的mAP，在检测速度上分别达到34.4 和34.2 帧/s，能够在保证实时检测的基础上有效增强水下小目标的检测能力。

来源：2023年第6期

《计算机工程》期刊编辑部

查看计算机工程杂志2023年第6期