计算机科学>计算机视觉和模式识别
标题: UTD-Yolov5:一种基于注意力改进的Yolov5的实时水下目标检测方法
摘要: 海洋是大自然的宝库,蕴藏着丰富的资源。 但由于COTS和其他生物的存在,对海洋生物可持续发展至关重要的珊瑚礁正面临着巨大的危机。 通过体力劳动保护社会是有限的,效率低下。 海洋环境的不可预测性也使人工操作具有风险。 使用机器人进行水下作业已成为一种趋势。 然而,水下图像采集存在光线弱、分辨率低、干扰多等缺陷,而现有的目标检测算法效果不佳。 基于此,我们提出了一种基于注意力改进YOLOv5的水下目标检测算法UTD-YOLOv5。 它可以快速有效地检测COTS,这反过来又为复杂的水下作业提供了先决条件。 我们分多个阶段调整了YOLOv5原有的网络架构,包括:用两级级联CSP(CSP2)替换原有的主干网; 引入视觉通道注意机制模块SE; 设计随机锚箱相似性计算方法等。这些操作使UTD-Yolov5能够更灵活地进行检测,并更准确地捕获特征。 为了提高网络的效率,我们还提出了WBF和迭代求精机制等优化方法。 本文基于CSIRO数据集[1]进行了大量实验。 结果表明,我们的UTD-Yolov5的平均准确率达到78.54%,与基线相比有了很大提高。