改进去噪训练的 U-DECN：面向 underwater object检测的端到端卷积神经网络
计算机视觉与模式识别
2025-10-30 v2
摘要
水下目标检测由于面临特定环境挑战，对检测器的运行速度和部署效率有更高要求。传统目标检测器的 NMS（非极大值抑制）以及基于查询的 end-to-end 检测器的 transformer 架构，不利于在算力有限的水下嵌入式设备上部署。此外，水下色彩偏移噪声的负面影响会使近期水下目标检测器通过复杂网络结构或训练方法增加计算复杂度，阻碍其在无人水下车辆上的应用与部署。为此，本文提出一种改进去噪训练的水下检测器——U-DECN（Underwater DECO with improved deNoising training），即一种基于查询的 end-to-end 目标检测器（采用卷积 encoder-decoder 架构），专为解决水下色彩偏移噪声问题。我们将 DETR 变体的先进技术整合到 DECO 中，并为卷积网络架构设计优化方法，包括 SIM 中的可变形卷积以及分离对抗去噪前向方法。为解决水下色彩偏移噪声问题，我们提出水下色彩去噪查询方法，以提高模型对不同色彩偏移噪声导致的偏斜目标特征信息的泛化能力。我们的 U-DECN 采用 ResNet-50 作为骨干网络，在 DUO 上实现最佳 64.0 AP，在 RUOD 上获得最佳 58.1 AP，并在 NVIDIA AGX Orin 上通过 TensorRT FP16 实现 21 FPS（速度是 Deformable DETR 和 DINO 的 5 倍，后者仅为 4 FPS），超越其他最先进的基于查询的 end-to-end 目标检测器。代码已在 https://github.com/LEFTeyex/U-DECN 公开。
引用
@article{arxiv.2408.05780,
title = {U-DECN: End-to-End Underwater Object Detection ConvNet with Improved DeNoising Training},
author = {Zhuoyan Liu and Bo Wang and Bing Wang and Ye Li},
journal= {arXiv preprint arXiv:2408.05780},
year = {2025}
}
备注
10 pages, 6 figures, 7 tables, accepted by IEEE TGRS