论文笔记-Dual Refinement Underwater Object Detection Network

最新推荐文章于 2024-08-27 09:41:21 发布

Lyndsey

最新推荐文章于 2024-08-27 09:41:21 发布

阅读量1.3k

点赞数 2

分类专栏： # 论文阅读笔记

本文链接：https://blog.csdn.net/hahameier/article/details/110247536

版权

本文探讨了水下目标检测的挑战，如模糊、纹理失真和光照不均，提出了一种名为FERNet的新型检测框架。该框架采用复合连接主干和感受野增强模块，以增强特征表示并处理尺度变化问题。实验结果显示，这种方法在水下目标检测中表现出色。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Hello，今天是论文阅读计划的第17天～

今天来学习的一篇论文也是关于目标检测的～不过变成水下的了

Code: https://github.com/Peterchen111/FERNet

一、背景

目前，水下机器人应用于许多领域，如水下目标捕捉、水下调查和水下搜索。水下目标检测作为水下机器人的关键技术，仍然面临着严峻的挑战(如模糊、纹理失真、光照不平衡等)。当我们直接在水下场景中使用通用检测算法时，它们不能很好地工作。为了解决这些问题，我们提出了一种具有特征增强和锚细化的水下检测框架。它有一个复合连接主干来增强特征表示，并引入了一个感受野增强模块来利用多尺度内容特征。

二、相关工作

在研究过程中，我们发现许多优秀的通用目标检测框架直接应用于水下任务时，很难保持高精度和鲁棒性。例如，Faster-RCNN [26]受到CNN尺度不变性的影响。水下尺度变化问题很难处理。由于Regional Proposal Network (RPN)的存在，它很难满足实时性的要求。SSD [18]可以高速检测，但是对于水下小而模糊的物体会有漏检的问题。尽管一般的目标检测器存在一些问题，但它们对水下场景的检测研究仍有启发。大多数方法采用自上而下的金字塔表示，将高级语义信息注入高分辨率的特征地图以解决比例问题。为了处理遮挡问题，称为Mix up[35]的数据增加方法变得流行。该方法可以在训练阶段模拟遮挡样本，从而增强