文章标题：水下复杂环境高效鲁棒目标检测方法

文章作者：葛锡云^1,2, 张崇丙^1,2, 李晓伟^1,2, 李锦^1,2
关 键 字：卷积神经网络;水下目标检测;深度学习;注意力增强;多尺度目标检测
文章摘要：针对水下环境复杂多变且视觉退化严重，现有的水下目标检测算法难以保证高精度实时检测水下目标且在复杂环境中的检测鲁棒性不足等问题，本文的算法架构基于YOLOv5改进，根据通用模型提出一种端到端的多尺度水下目标检测网络算法(UW-Net)，完成复杂水下环境中高精度实时鲁棒检测水下目标任务。在特征提取部分，该网络通过稳定的底层特征提取模块和CSP-Net构建高精度轻量型特征提取结构，旨在保证网络实时性的同时提取更高维度的特征信息；在特征融合和检测部分，使用自适应特征融合机制和注意力增强方法在基本不影响检测速度的同时，提升算法的多尺度目标能力和检测鲁棒性，并通过K-means聚类方法自监督的实现最优锚框的标定从而实现目标区域的准确预知。实验结果表明：该方法在NVIDIA GeForce GTX1080Ti的GPU平台上对水下目标数据集的平均检测精度和检测速度分别为95.06%和139FPS，比YOLOv5s网络提升了2.87%和14FPS，实现了在实际复杂水下环境中高精度实时鲁棒地检测水下目标。