SCI论文解读复现【NO.1】基于Transformer-YOLOv5的侧扫声纳图像水下海洋目标实时检测
此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。
一、摘要
针对传统人工检测侧扫声纳（SSS）图像中水下目标的不足，提出了一种实时自动目标识别（ATR）方法。该方法包括图像预处理、采样、变压器模块与YOLOv 5s集成的ATR（即TR-YOLOv 5s）和目标定位。针对SSS图像目标稀疏、特征贫乏的特点，提出了一种新的TR-YOLOv 5s网络和降采样原理，并引入注意机制，以满足水下目标识别的精度和效率要求。实验结果表明，该方法的平均准确率（mAP）为85.6%，实时识别速度约为0.068s/幅图像。
二、网络模型及核心创新点
广泛应用实时水下目标检测的关键是找到一种合适的检测算法，该算法平衡了速度和精度，并且由于甲板单元的缓慢更换和船上AUV的有限尺寸，该算法还应该具有尽可能低的计算要求。YOLOv 5是SOTA目标检测算法，具有快速检测速度和精确精度，在COCO val 2017数据集上获得了72%的AP@0.5。此外，YOLOv 5s的最小型号大小仅为14兆，部署方便。然而，YOLOv 5s是使用光学样本集构建的，该光学样本集不完全适用于SSS图像。此外，水下目标样本的数量远小于光学样本。单独使用YOLOv 5s进行实时检测并不能满足需求，需要结合侧扫声纳图像与光学图像的具体差异对YOLO进行改进。与光学图像相比，由于分辨率的限制，声纳图像具有稀疏特征，而由于海域过于广阔，声纳图像往往在目标周围具有稀疏特征。因此，本文专门在YOLOv 5s中增加了一个变换器模块，以关注目标自身特征，忽略目标周围的特征，即：在YOLOv 5s中引入了注意机制，提出了一种改进的实时目标检测算法TR-YOLOv 5s，如图6所示。
三、应用数据集
我们收集了两个SSS图像集A和B，用于探测器训练和测试。数据集A主要包括来自Google检索的经过辐射校正、斜距校正等后处理的图像。而数据集B主要包括未经任何优化的原始灰度图像。数据集A和B的一些示例如图12所示。
四、实验效果（部分展示）
为了评估由预训练加权和变压器模块引起的探测器性能增加，进行了消融研究。我们比较了四种情况下的精确度、召回率、mAP、macro-F2评分和GFLOPs，包括从头训练的YOLOv 5、通过预训练加权初始化的YOLOv 5、从头训练的TR-YOLOv 5和通过预训练加权初始化的TR-YOLOv 5，测试集见表4。
与SSS测量后的目标检测相比，所提出的实时检测对于现场的快速目标检测和定位是非常有效的。为了进一步评估该方法的性能，还将该方法与现有的主要实时水下目标检测方法进行了比较，如表8所示。
五、实验结论
该方法集原始图像预处理、采样、TR-YOLOv 5s检测器和定位于一体，实现了侧扫声纳瀑布图像中水下目标的自动检测，具有较高的精度和效率，能够满足实时水下目标检测的要求。根据SSS图像的特点和目标在检测图像中的分布情况，给予相应的变换模块、下采样等措施是非常必要的，这对提高水下目标实时检测的精度和效率是非常有益的。为了获得更好的性能，可以考虑声纳数据增强、少样本学习甚至零炮学习方法，并研究模型压缩技术等更灵活的网络结构进行实时检测。此外，还应考虑基于SSS图像特性的特殊模块或底层计算模式。
六、投稿期刊介绍
注：论文原文出自Real-Time Underwater Maritime Object Detection in Side-Scan Sonar Images Based on Transformer-YOLOv5. 本文仅用于学术分享，如有侵权，请联系后台作删文处理。
解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注下面公众号，私信我。
SCI论文解读复现【NO.1】基于Transformer-YOLOv5的侧扫声纳图像水下海洋目标实时检测相关推荐
- 目标检测论文解读复现之一：基于改进YOLOv5的整车原木数量检测方法——TWD-YOLOv5（代码已复现）
目标检测论文解读复现 文章目录 目标检测论文解读复现 前言 一.摘要 二.网络模型及核心创新点 三.应用数据集 四.实验效果 五.投稿期刊介绍 前言 此前出了目标改进算法专栏,但是对于应用于什么场景, ...
- 目标检测论文解读复现之六：基于YOLOv5的遥感图像舰船的检测方法
目标检测论文解读复现 文章目录 目标检测论文解读复现 前言 一.摘要 二.网络模型及核心创新点 三.应用数据集 四.实验效果 五.实验结论 六.投稿期刊介绍 前言 此前出了目标改进算法专栏,但是对于应 ...
- SCI论文解读复现【NO.3】MSFT-YOLO：基于变压器的改进YOLOv5钢表面缺陷检测(代码已复现)
此前出了目标检测算法改进专栏,但是对于应用于什么场景,需要什么改进方法对应与自己的应用场景有效果,并且多少改进点能发什么水平的文章,为解决大家的困惑,此系列文章旨在给大家解读发表高水平学术期刊中的SC ...
- SCI论文解读复现【NO.2】基于注意机制的YOLOv5改进算法在行星图像中的应用(代码已复现)
此前出了目标检测算法改进专栏,但是对于应用于什么场景,需要什么改进方法对应与自己的应用场景有效果,并且多少改进点能发什么水平的文章,为解决大家的困惑,此系列文章旨在给大家解读发表高水平学术期刊中的SC ...
- 目标检测论文解读复现之八：基于YOLOv5s的滑雪人员检测研究
前言 此前出了目标改进算法专栏,但是对于应用于什么场景,需要什么改进方法对应与自己的应用场景有效果,并且多少改进点能发什么水平的文章,为解决大家的困惑,此系列文章旨在给大家解读最新目标检测 ...
- 论文解读：《功能基因组学transformer模型的可解释性》
论文解读:<Explainability in transformer models for functional genomics> 1.文章概括 2.背景 3.相关工作 4.方法 4. ...
- 目标检测论文解读复现之五：改进YOLOv5的SAR图像舰船目标检测
目标检测论文解读复现 文章目录 目标检测论文解读复现 前言 一.摘要 二.网络模型及核心创新点 三.应用数据集 四.实验效果(部分展示) 五.实验结论 六.投稿期刊介绍 前言 此前出了目标改进算法专栏 ...
- SCI论文图表复现-2（十字火山图）
SCI论文图表复现-2 做单细胞测序的时候,常规所展示的火山图和RNAseq的分析是一致的,由于两个分组之间的细胞数量太多,很大概率会导致p值过于显著,无限接近于0的情况,因此导致火山图的结果非常的诡 ...
- 英文论文（sci）解读复现【NO.4】FINet：基于合成雾和改进YOLOv5的绝缘子数据集和检测基准(代码已复现)
此前出了目标检测算法改进专栏,但是对于应用于什么场景,需要什么改进方法对应与自己的应用场景有效果,并且多少改进点能发什么水平的文章,为解决大家的困惑,此系列文章旨在给大家解读发表高水平学术期刊中的SC ...
最新文章
- 云路由 vyatta 体验（六）防火墙
- python 新建文件夹
- 业务系统实现记住密码和自动登录功能
- 3次握手中的最后一个ACK服务端收到了吗
- nRF52832的UICR
- JS----JavaScript中防抖和节流知识概述
- 深入理解css优先级
- STL容器之deque
- android 屏幕飘动,Android自定义View实现飘动的叶子效果（三）
- jq之省市区级联插件
- Marlin Protocol正在为验证者开放OTC渠道
- master节点重置后添加node报错_土豆SUPER通过Node-Red接入HASS和Homekit
- Javascript之旅——第十站：为什么都说闭包难理解呢？
- eclipse svn
- 分享一个超好用的批量处理PPT与PPTX转换，批量删除某一页PPT，批量DOC转换为DOCX的应用
- SC-Lego-LOAM解析（下）
- unity通过浏览器打开网页
- 一步搞定IP地址查询：这个在线工具帮你快速掌握设备的位置信息！
- csdn博客日志test1
- java 简述类变量和实例变量的区别