"基于YOLOv4改进的轻量级水下目标检测网络"
本文主要讨论了针对小型水下设备的优化目标检测方案,通过改进YOLOv4模型,提出了一种名为NSN-R-YOLOv4的轻量级网络。在水下目标检测这一领域,小型设备常常受限于内存和计算能力,因此需要高效且轻便的模型来应对挑战。作者首先对水下图像进行了预处理,应用了带色彩恢复的多尺度视网膜增强算法,以提高在各种环境条件下的目标识别准确性。
在改进YOLOv4网络结构方面,研究者采用了几个关键策略。他们引入了ShuffleNet作为主干网络的一部分,这是一种设计用于移动设备的轻量级网络结构,能有效减少参数量的同时保持特征提取能力。接着,他们使用了深度可分离卷积(Depthwise Separable Convolution)替换传统的卷积操作,进一步减小了模型的大小,降低了计算复杂度。最后,为了模拟人类视觉系统,他们用RFB-s(Retina Feature Block - slim)替代了YOLOv4中的SPP(Spatial Pyramid Pooling)模块,RFB-s能更好地捕捉不同尺度的目标信息。
经过这些改进,新模型NSN-R-YOLOv4的参数量仅为49.2M,比YOLOv4更为轻便。在实际应用中,该模型在处理水下图像视频中的海参目标识别时,达到了每秒35.6帧的传输速度,目标检测的平均精度(Average Precision, AP)高达92.01%,显示出了优秀的性能。与原版YOLOv4相比,该模型不仅具有较小的模型尺寸,而且在识别效果上也表现出色,特别适合应用于小型水下目标检测设备。
关键词涉及了目标检测领域的几个核心技术,包括YOLOv4框架、网络轻量化设计、水下环境的应用、ShuffleNet优化、深度可分离卷积的使用、SPP模块的替代以及RFB-s模块在模拟人类视觉感受野上的作用。此外,论文还提到了MSRCR(Multi-Scale Retinal Color Restoration),这是一个预处理技术,旨在提升水下图像的颜色恢复和环境适应性。
这篇论文发表在《哈尔滨工程大学学报》2023年1月的第44卷第1期,对于关注水下目标检测、计算机视觉、人工智能和计算效率优化的研究人员来说,提供了有价值的参考。同时,该研究也为未来在资源受限的水下应用场景中开发更高效的目标检测算法开辟了新的可能。