SWIPENET：噪声水下图像中的目标检测
计算机视觉与模式识别
2022-03-15 v3 机器学习
摘要
近年来，基于深度学习的目标检测方法在受控环境中取得了可喜性能。然而，由于以下挑战，这些方法处理水下目标检测的能力不足：（1）水下数据集和实际应用中的图像模糊且伴随严重噪声，干扰检测器；（2）实际应用中的目标通常较小。本文提出一种新颖的 Sample-WeIghted hyPEr Network（SWIPENET）以及一种名为 Curriculum Multi-Class Adaboost（CMA）的鲁棒训练范式，以同时解决这两个问题。首先，SWIPENET 的骨干网络生成多个高分辨率且语义丰富的超特征图（Hyper Feature Maps），显著提升小目标检测。其次，为 SWIPENET 设计了一种新颖的样本加权检测损失函数，其聚焦于学习高权重样本并忽略低权重样本。此外，受人类从易到难概念的教育过程启发，我们提出 CMA 训练范式：先训练一个不受噪声数据影响的干净检测器；然后基于该干净检测器，训练多个聚焦于学习不同噪声数据的检测器，并整合为一个具有强抗噪能力的统一深度集成模型。在两个水下机器人抓取竞赛数据集（URPC2017 和 URPC2018）上的实验表明，所提 SWIPENET+CMA 框架在目标检测精度上优于多种最先进方法。
引用
@article{arxiv.2010.10006,
title = {SWIPENET: Object detection in noisy underwater images},
author = {Long Chen and Feixiang Zhou and Shengke Wang and Junyu Dong and Ning Li and Haiping Ma and Xin Wang and Huiyu Zhou},
journal= {arXiv preprint arXiv:2010.10006},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2005.11552