针对复杂海洋环境中存在背景噪声、海洋垃圾特征模糊和目标尺度小的检测挑战,本文提出一种基于改进CenterNet的海洋垃圾无锚检测算法——MG-CenterNet。引入GB(green-blue)注意力机制,通过关注海洋图像绿色、蓝色通道来增强特征提取;利...针对复杂海洋环境中存在背景噪声、海洋垃圾特征模糊和目标尺度小的检测挑战,本文提出一种基于改进CenterNet的海洋垃圾无锚检测算法——MG-CenterNet。引入GB(green-blue)注意力机制,通过关注海洋图像绿色、蓝色通道来增强特征提取;利用跨层特征聚合(cross-layer feature aggregation,CFA)模块丰富关键特征反馈,使模型获取更多像素级语义信息从而精准分类图像;构造完全交并比(complete intersection over union,CIoU)损失函数优化边界框匹配度,进一步提高目标定位精度。MG-CenterNet在TrashCan数据集和自建数据集上分别取得了77.98%和76.92%的平均精确率均值(mean average precision,m AP),推理速度分别达到27.18帧/s和26.98帧/s。研究结果证明MG-CenterNet在检测精度上显著优于其他算法,满足实时检测的要求。低对比度及遮挡条件下的验证实验进一步证明了所提出算法的鲁棒性和可靠性,为复杂环境中的海洋垃圾检测提供了科学参考。展开更多
文摘针对复杂海洋环境中存在背景噪声、海洋垃圾特征模糊和目标尺度小的检测挑战,本文提出一种基于改进CenterNet的海洋垃圾无锚检测算法——MG-CenterNet。引入GB(green-blue)注意力机制,通过关注海洋图像绿色、蓝色通道来增强特征提取;利用跨层特征聚合(cross-layer feature aggregation,CFA)模块丰富关键特征反馈,使模型获取更多像素级语义信息从而精准分类图像;构造完全交并比(complete intersection over union,CIoU)损失函数优化边界框匹配度,进一步提高目标定位精度。MG-CenterNet在TrashCan数据集和自建数据集上分别取得了77.98%和76.92%的平均精确率均值(mean average precision,m AP),推理速度分别达到27.18帧/s和26.98帧/s。研究结果证明MG-CenterNet在检测精度上显著优于其他算法,满足实时检测的要求。低对比度及遮挡条件下的验证实验进一步证明了所提出算法的鲁棒性和可靠性,为复杂环境中的海洋垃圾检测提供了科学参考。
