面向水下目标检测的重度退化先验学习
计算机视觉与模式识别
2023-08-25 v1
摘要
水下目标检测的检测性能较低，因为依赖于距离和波长的成像过程会产生明显的图像质量退化，如雾状效应、低可见度和颜色失真。因此，我们致力于解决具有复合环境退化的水下目标检测问题。典型方法试图开发复杂的深度架构以生成高质量图像或特征。然而，这些方法仅在有限范围内有效，因为成像因素要么不稳定、过于敏感，要么是复合的。与这些追求高质量图像或特征的方法不同，本文从检测友好型图像中寻求可迁移的先验知识。该先验引导检测器去除干扰检测的退化。其基于统计观察：检测友好型（DFUI）图像和水下图像的重度退化区域具有明显的特征分布差距，而它们的轻度退化区域相互重叠。因此，我们提出残差特征迁移模块（RFTM）来学习 DFUI 图像与水下图像的重度退化块深度表示之间的映射，并将该映射作为水下检测的重度退化先验（HDP）。由于统计特性与图像内容无关，HDP 可在无语义标签监督的情况下学习，并插入基于 CNN 的流行特征提取网络以提升其水下目标检测性能。无需额外技巧，在 URPC2020 和 UODD 上的评估表明，我们的方法大幅优于基于 CNN 的检测器。我们参数更少、速度更高的方法仍优于基于 transformer 的检测器。我们的代码和 DFUI 数据集可在 https://github.com/xiaoDetection/Learning-Heavily-Degraed-Prior 找到。
引用
@article{arxiv.2308.12738,
title = {Learning Heavily-Degraded Prior for Underwater Object Detection},
author = {Chenping Fu and Xin Fan and Jiewen Xiao and Wanqi Yuan and Risheng Liu and Zhongxuan Luo},
journal= {arXiv preprint arXiv:2308.12738},
year = {2023}
}