ADOD：面向水下环境的基于残差注意力的自适应领域感知目标检测
计算机视觉与模式识别
2023-12-13 v1 机器人学
摘要
本研究提出了ADOD，一种解决水下目标检测中领域泛化问题的新方法。我们的方法增强了模型在多样且未见过的领域中进行泛化的能力，确保在各种水下环境中的鲁棒性。第一个关键贡献是Residual Attention YOLOv3，这是YOLOv3框架的一种新颖变体，由残差注意力模块赋能。这些模块使模型能够聚焦于信息丰富的特征，同时抑制背景噪声，从而提高检测精度和对不同领域的适应性。第二个贡献是基于注意力的领域分类模块，这在训练期间至关重要。该模块帮助模型识别特定领域的信息，促进领域不变特征的学习。因此，ADOD能够有效地泛化到具有不同视觉特征的水下环境中。在多样水下数据集上的大量实验表明，与最先进的领域泛化方法相比，ADOD具有卓越的性能，特别是在具有挑战性的场景中。所提出的模型在已见和未见领域中均实现了出色的检测性能，展示了其在处理水下目标检测任务中领域偏移方面的有效性。ADOD代表了自适应目标检测的重大进展，为水下环境中的实际应用提供了有前景的解决方案。由于在此类环境中领域偏移的普遍存在，该模型强大的泛化能力成为实际水下监视和海洋研究工作的宝贵资产。
引用
@article{arxiv.2312.06801,
title = {ADOD: Adaptive Domain-Aware Object Detection with Residual Attention for Underwater Environments},
author = {Lyes Saad Saoud and Zhenwei Niu and Atif Sultan and Lakmal Seneviratne and Irfan Hussain},
journal= {arXiv preprint arXiv:2312.06801},
year = {2023}
}