基于逆多类Adaboost与深度学习的水下目标检测
计算机视觉与模式识别
2020-05-26 v1 机器学习
摘要
近年来，基于深度学习的方法在标准目标检测中取得了令人瞩目的性能。然而，由于以下挑战，这些方法在处理水下目标检测时能力不足：(1) 实际应用中的目标通常较小且图像模糊，(2) 水下数据集和实际应用中的图像伴随有异质噪声。为解决这两个问题，我们首先提出一种新颖的神经网络架构，即样本加权超网络（SWIPENet），用于小目标检测。SWIPENet包含高分辨率且语义丰富的超特征图，可显著提升小目标检测精度。此外，我们提出一种新颖的样本加权损失函数，可为SWIPENet建模样本权重，该函数使用一种新颖的样本重加权算法——逆多类Adaboost（IMA），以降低噪声对所提SWIPENet的影响。在两个水下机器人抓取竞赛数据集URPC2017和URPC2018上的实验表明，所提出的SWIPENet+IMA框架在检测精度上优于多种现有最优目标检测方法。
引用
@article{arxiv.2005.11552,
title = {Underwater object detection using Invert Multi-Class Adaboost with deep learning},
author = {Long Chen and Zhihua Liu and Lei Tong and Zheheng Jiang and Shengke Wang and Junyu Dong and Huiyu Zhou},
journal= {arXiv preprint arXiv:2005.11552},
year = {2020}
}