DOI:10.16136/j.joel.2023.02.0178一种轻量化的水下目标检测算法SG-Det周华平*,宋明龙,孙克雷(安徽理工大学计算机科学与工程学院,安徽淮南232000)摘要:基于深度学习的目标检测算法在水下进行检测主要存在两个困难:水下设备的存储和计算能力有限;水下图像模糊且小生物聚集。这种局限性要求水下目标检测算法要做到轻量且高效,因此现有的目标检测算法不能完全满足水下目标检测的需求。为此本文在SSD(singleshotMultiBoxdetector)的网络框架上进行改进,设计了一种轻量化的一阶段检测模型SG-Det。一方面,借鉴GhostNet的思想,对ShuffleNetV2网络进行了重构,提出一种新的轻量化特征提取网络SGnet。此网络进一步减少了模型参数量,使模型大小更适合部署在水下设备。另一方面,网络主要是利用6个不同尺度的特征图检测不同大小的生物,为此设计了一种引入双分支注意力机制的跨尺度特征融合模块(cross-scalefeaturefusionmodule,AFF)。模块首先引入注意力机制对输入的特征在全局通道和局部通道两方面进行加权,突出有用信息,从而减少背景等无关信息的干扰。然后选取非线性化程度更高的第4层分别增强前3层的语义信息,以较小的代价使前3层在识别小物体方面有更好的表现。模型在中国水下机器人大赛提供的水下数据集UPRC进行试验,平均检测精度(mAP)和速度分别达到了71.75%和69FPS,且模型参数量仅有4.91M。结果表明,所提出的方法在精度、速度和参数量之间取得了很好的平衡。关键词:神经网络;水下目标检测;轻量化;跨尺度特征增强中图分类号:TP391.41文献标识码:A文章编号:1005-0086(2023)02-0156-10SG-Det:AlightweightunderwaterimagetargetdetectionmethodZHOUHuaping*,SONGMinglong,SUNKelei(CollegelofComputerScienceandEngineering,AnhuiUniversityofScienceandTechnology,Huainan,Anhui232001,China)Abstract:Deeplearn-basedobjectdetectionalgorithmhastwomaindifficultiesinunderwatertargetde-tection,whicharelimitedstorageandcomputingcapabilitiesofunderwaterequipmentandfuzzyunder-waterimagesandsmallorganismsgathering.Thislimitationrequirestheunderwatertargetdetectional-gorithmtobelightweightandefficient,sotheexistingtargetdetectionalgorithmcannotfullymeettheneedsofunderwatertargetdetection.Inthispaper,alightweightone-stagedetectionmodelSG-DETisdesignedtoimprovethenetworkframeworkofsingleshotMultiBoxdetector(SSD).Onthe...
