基于改进YOLOv7的水下目标检测
计算机视觉与模式识别
2023-02-15 v1
摘要
水下目标检测是海洋探索的关键方面。然而，传统的水下目标检测方法面临若干挑战，如特征提取不准确、检测速度慢以及在复杂水下环境中缺乏鲁棒性。为解决这些局限，本研究提出一种用于水下目标检测的改进YOLOv7网络（YOLOv7-AC）。所提网络利用ACmixBlock模块替换E-ELAN结构中的3x3卷积块，并在ACmixBlock模块之间引入跳跃连接和1x1卷积架构以改善特征提取和网络推理速度。此外，设计了ResNet-ACmix模块以避免特征信息丢失并减少计算量，同时在模型的主干和头部部分插入全局注意力机制（GAM）以改善特征提取。进一步，使用K-means++算法替代K-means来获取锚框并提升模型精度。实验结果表明，改进的YOLOv7网络优于原始YOLOv7模型及其他流行的水下目标检测方法。所提网络在URPC数据集和Brackish数据集上分别取得了89.6%和97.4%的平均精度均值（mAP），并且相比原始YOLOv7模型具有更高的每秒帧数（FPS）。本研究的源代码公开于https://github.com/NZWANG/YOLOV7-AC。总之，本研究提出的改进YOLOv7网络代表了水下目标检测的一种有前景的解决方案，并在各种水下任务的实际应用中具有巨大潜力。
引用
@article{arxiv.2302.06939,
title = {Underwater target detection based on improved YOLOv7},
author = {Kaiyue Liu and Qi Sun and Daming Sun and Mengduo Yang and Nizhuan Wang},
journal= {arXiv preprint arXiv:2302.06939},
year = {2023}
}