结合图像增强的域自适应水下目标检测实时框架
计算机视觉与模式识别
2024-03-29 v1
摘要
近年来，水下图像增强（UIE）领域取得了显著进展。然而，其在高级视觉任务中的实用价值，例如自主水下航行器（AUV）中的水下目标检测（UOD），仍相对未被探索。这可能归因于以下几个因素：（1）现有方法通常将 UIE 作为预处理步骤，这不可避免地引入了大量的计算开销和延迟。（2）在训练目标检测器之前增强图像的过程未必能带来性能提升。（3）复杂的水下环境会在不同场景间引起显著的域偏移，严重恶化 UOD 性能。为了应对这些挑战，我们引入了 EnYOLO，这是一个集成的实时框架，旨在同时进行 UIE 和 UOD 并具备域自适应能力。具体而言，UIE 和 UOD 任务头共享同一网络主干并采用轻量化设计。此外，为了确保两个任务的均衡训练，我们提出了一种多阶段训练策略，旨在持续提升其性能。另外，我们提出了一种新颖的域自适应策略，以对齐来自不同水下环境的特征嵌入。综合实验表明，我们的框架不仅在 UIE 和 UOD 任务中均取得了 state-of-the-art（SOTA）性能，而且在应用于不同水下场景时也展现出卓越的适应性。我们的效率分析进一步突显了该框架在机载部署方面的巨大潜力。
引用
@article{arxiv.2403.19079,
title = {A Real-Time Framework for Domain-Adaptive Underwater Object Detection with Image Enhancement},
author = {Junjie Wen and Jinqiang Cui and Benyun Zhao and Bingxin Han and Xuchen Liu and Zhi Gao and Ben M. Chen},
journal= {arXiv preprint arXiv:2403.19079},
year = {2024}
}
备注
accepted by ICRA24