【文献阅读】1-Underwater object detection using Invert Multi-Class Adaboost with deep learning

摘要

本文提出了一种新新的水下目标识别算法，基于深度学习的Sample-WeIghted hyPEr Network (SWIPENet) 神经网络，加上新的样本加权损失函数Invert Multi-Class Adaboost (IMA) 进行样本重新加权的识别方法。

关键词

水下目标识别，多反转级Adaboost，样本重新加权，噪声数据

背景

为解决水下目标识别的两方面困难：

1. 在真实的应用场景中，目标物通常是很小体积，且图像模糊
2. 水下数据集图像常常伴随异质性的噪声

创新点

提出新的水下目标识别神经网络SWIPENet
提出了一个新的样本权重损失函数 +Multi-Class Invert Adaboost样本重权算法

方法

SWIPENeT网络结构–灵感来源于DSSD网络

1.底层网络：VGG16 模块
首先，多个down-sampling convolution layers 提取有利于物体分类的高语义特征图
2.由于图片过于单一后，加入多个up-sampling deconvolution layers 和 skip connection
3.最后使用dilated convolution layers使用 ReLU 函数，来获取较多的语义，不丢失用于物体定位的信息，扩大感受野
4.以及新的sample-weigthed loss 模块，让算法更加注重于高权重样本，而忽略低权重样本（特征学习）。
5.加入样本重权算法Multi-Class Invert Adaboost，降低不确定物体权重，减少噪声影响。

IMA算法-----伪代码
首先顺序训练多个基本分类器，并根据其错误率Em分配权重值α。然后，将由前面的分类器分类错误的样本分配较高的权重，从而使后面的分类器专注于学习这些样本。最后，将所有弱基础分类器组合在一起，形成具有相应权重的整体分类器。IMA还训练了M次SWIPENet，然后将它们整合为一个统一模型。不同的是，在每次训练迭代中，IMA都会减少丢失对象的权重，以减少这些“干扰”样本的影响

Loss函数公式

实验

1.在两个数据集上面URPC2017 和 URPC2018进行测试
2.并与SSD，YOLOv3和FasterRCNN检测框架做比较
3.消融研究：
3.1.dilated convolution layers (空洞卷积) 和skip connection（跳连）对网络影响，设计一个基准网络UWNet1，结果与SWIPENet网络相同，进行对比实验

3.2.IMA对网络影响，进行单一模型和集合模型对比实验

结论与不足

时间复杂度比单一模型高M倍，因为它是M个深度神经网络的集合体。趋势：降低时间复杂度
引入注意力机制和新的损失函数为减少噪声和目标识别提供借鉴

参考

参考文献
[1]: 代码原文
[2]: 代码源码
[3]:CV Code|计算机视觉开源周报20200504期
[4]: 【水下目标检测】Underwater object detection using Invert Multi-Class Adaboost with deep learning
[5]: 一文梳理水下检测方法