JournalofInformationEngineeringUniversityAug.20232023年8月Vol.24No.4信息程大学学报第24卷第4期D0I:10.3969/j.issn.1671-0673.2023.04.001基于YOLOX的声呐图像目标检测程娟，田梅，柳晶晶，张浩庭，董春宵（信息工程大学，河南郑州450001）摘要：近年来，随着人工智能技术的发展，深度学习越来越多地应用于声呐图像目标检测领域，逐渐成为近海国防建设和海洋经济发展中的热点研究课题。针对声呐图像分辨率低、边缘细节模糊、斑点噪声严重等问题，提出了一种基于YOLOX模型的声呐图像目标检测算法。同时，考虑到声呐图像获取困难、数据集通常较小，又引入迁移学习的方法对预训练模型进行微调，得到适用于声呐图像的目标检测模型。最后，在URPC2021数据集上进行实验，以验证该算法的检测性能。关键词：目标检测；声呐图像；深度学习；迁移学习中图分类号：TP391文献标识码：A文章编号：1671-0673(2023)04-0385-06SonarImageTargetDetectionBasedonYOLOXCHENGJuan,TIANMei,LIUJingjing,ZHANGHaoting,DONGChunxiao(InformationEngineeringUniversity,Zhengzhou450001,China)Abstract:Inrecentyears,withthedevelopmentofartificialintelligence,thetechnologyofdeeplearninghasbeenappliedinsonarimagetargetdetectionandbecomeahottopicgraduallyinmarinemilitarydefenseandeconomicdevelopment.Toaddresssuchproblemsaslowresolution,blurrededgeandspecklenoiseofsonarimages,asonarimagetargetdetectionalgorithmbasedonYOLOXisproposed.Then,amigrationlearningmethodisintroducedtosolvetheproblemofsmallimagedata-set.Finally,experimentsareperformedonURPC2021datasettoverifytheperformanceofthepro-posedalgorithm.Keywords:targetdetection;sonarimage;deeplearning;migrationlearning0引言声呐图像目标检测的目的是准确、高效地判定图像中感兴趣目标,并利用边界框对感兴趣目标的位置和大小进行标注。这是水下目标识别和跟踪的前提与基础["。当前,随着声呐技术的不断发展和成熟，基于声呐图像的目标检测已成为常用的水下目标检测方式[2]早期，声呐图像目标检测通常借鉴传统光学图像目标检测的方法，采用人工提取特征加分类器的模式,其核心在于找到可靠性高、稳健性好的特征，如灰度、形状、边缘、纹理特征等[3-7]。然而，由于水下环境复杂多变，声呐在成像过程中易受到噪声、混响和多径效应等因素影响，导致声呐图像分辨率低、边缘细节...
