基于自监督学习与可变形路径聚合特征金字塔网络的水下多目标检测
计算机视觉与模式识别
2025-05-22 v1
摘要
为克服水下环境的限制并提高水下目标检测模型的准确性和鲁棒性，本文开发了一套专门的水下目标检测数据集，并提出了一种高效的水下多目标检测算法。采用基于SimSiam结构的无监督预训练方法对水下目标检测网络进行预训练。为解决水下目标检测中因低对比度、相互遮挡和水下目标密集分布导致的检测精度低的问题，通过引入可变形卷积和膨胀卷积提出了一种适用于水下目标检测的检测模型。所提出的检测模型通过增大感受野来获取更有效的信息。此外，引入了回归损失函数EIoU，通过分别计算预测框的宽度和高度损失来提升模型性能。实验结果表明，所提出的检测器提高了水下目标检测的准确性。
引用
@article{arxiv.2505.15518,
title = {Detection of Underwater Multi-Targets Based on Self-Supervised Learning and Deformable Path Aggregation Feature Pyramid Network},
author = {Chang Liu},
journal= {arXiv preprint arXiv:2505.15518},
year = {2025}
}
备注
ICIC 2025 accepted