DeepSeaNet：基于 EfficientDet 改进水下目标检测
计算机视觉与模式识别
2024-01-24 v2 机器学习
摘要
海洋动物和深水水下物体难以识别与监测，这对水生生物安全至关重要。当水体含盐并含有颗粒物和杂质时，挑战愈发严峻。在此类自然对抗环境中，CNN 等传统方法开始失效且计算代价高昂。本项目在已有的标注水下数据集 Brackish-Dataset 上实现并评估了多种目标检测模型，包括 EfficientDet、YOLOv5、YOLOv8 和 Detectron2。该数据集包含于利姆峡湾（Limfjorden）低能见度水域捕获的鱼、蟹、海星及其他水生动物的标注图像序列。本研究旨在考察较新模型在同一数据集上的效率，并基于准确率和推理时间与前人结果进行对比。首先，我在同一数据集上比较了 YOLOv3（平均精度均值（mAP）31.10%）、YOLOv4（83.72% mAP）、YOLOv5（97.6%）、YOLOv8（98.20%）、EfficientDet（98.56% mAP）和 Detectron2（95.20% mAP）的结果。其次，我提出一种改进的 BiSkFPN 机制（带跳跃连接的 BiFPN 颈部）以在对抗噪声中执行复杂特征融合，使改进后的 EfficientDet 对扰动具有鲁棒性。第三，通过对抗学习分析了 EfficientDet（98.63% mAP）和 YOLOv5（98.04% mAP）的准确率影响。最后，我为这两个模型提供基于类激活图（CAM）的解释，以促进黑盒模型的可解释性。总体而言，结果表明改进版 EfficientDet 在五折交叉验证下以特征图 88.54% IoU 取得了高于其他模型的准确率。
引用
@article{arxiv.2306.06075,
title = {DeepSeaNet: Improving Underwater Object Detection using EfficientDet},
author = {Sanyam Jain},
journal= {arXiv preprint arXiv:2306.06075},
year = {2024}
}