UTD-Yolov5：基于注意力改进 YOLOv5 的实时水下目标检测方法
计算机视觉与模式识别
2022-07-05 v1 机器人学
摘要
海洋作为自然宝库蕴含丰富资源。但珊瑚礁对海洋生物可持续发展至关重要，却因 COTS 等生物的存在而面临巨大危机。依靠人工进行保护有限且低效。海洋环境不可预测性也使人工操作存在风险。使用机器人进行水下作业已成为趋势。然而，水下图像采集存在光照弱、分辨率低、干扰多等缺陷，且现有目标检测算法效果不佳。基于此，我们提出一种基于注意力改进 YOLOv5 的水下目标检测算法，称为 UTD-Yolov5。它能快速高效检测 COTS，进而为复杂水下作业提供前提。我们在多阶段调整了 YOLOv5 原始网络架构，包括：用两阶段级联 CSP（CSP2）替换原始 Backbone；引入视觉通道注意力机制模块 SE；设计随机锚框相似度计算方法等。这些操作使 UTD-Yolov5 检测更灵活、特征捕捉更准确。为使网络更高效，我们还提出 WBF 与迭代精炼机制等优化方法。本文基于 CSIRO 数据集 [1] 进行大量实验。结果表明，我们的 UTD-Yolov5 平均精度达 78.54%，相较基线有大幅提升。
引用
@article{arxiv.2207.00837,
title = {UTD-Yolov5: A Real-time Underwater Targets Detection Method based on Attention Improved YOLOv5},
author = {Jingyao Wang and Naigong Yu},
journal= {arXiv preprint arXiv:2207.00837},
year = {2022}
}