海滩水边线的提取是海洋科学和海岸工程领域的一项重要研究任务。为缓解传统方法在处理该任务时存在的噪声敏感、阈值不稳定、需手动调参等问题,本文对影像数据进行了极值预处理,并提出了基于可变形卷积的改进SOLOv2水边线提取算法。本...海滩水边线的提取是海洋科学和海岸工程领域的一项重要研究任务。为缓解传统方法在处理该任务时存在的噪声敏感、阈值不稳定、需手动调参等问题,本文对影像数据进行了极值预处理,并提出了基于可变形卷积的改进SOLOv2水边线提取算法。本文探讨了特征提取网络深度和可变形卷积(DCN)应用层数对算法精度与速度的影响。随着特征提取网络深度的增加,水边线提取算法的精度逐渐提高,但速度明显降低,实际特征提取网络深度以50为宜;随着DCN应用层数的增加,水边线提取算法的精度呈先增加后减小的趋势,实际应用层数以2为宜;相较于原始SOLOv2算法,改进SOLOv2算法在平均精度(average precision,AP)和平均交并比(intersection over union,IoU)上的性能分别提升了1.7%和0.1%。此外,通过将算法权重由单精度转换为半精度,进一步提升了算法的推理速度。展开更多
文摘海滩水边线的提取是海洋科学和海岸工程领域的一项重要研究任务。为缓解传统方法在处理该任务时存在的噪声敏感、阈值不稳定、需手动调参等问题,本文对影像数据进行了极值预处理,并提出了基于可变形卷积的改进SOLOv2水边线提取算法。本文探讨了特征提取网络深度和可变形卷积(DCN)应用层数对算法精度与速度的影响。随着特征提取网络深度的增加,水边线提取算法的精度逐渐提高,但速度明显降低,实际特征提取网络深度以50为宜;随着DCN应用层数的增加,水边线提取算法的精度呈先增加后减小的趋势,实际应用层数以2为宜;相较于原始SOLOv2算法,改进SOLOv2算法在平均精度(average precision,AP)和平均交并比(intersection over union,IoU)上的性能分别提升了1.7%和0.1%。此外,通过将算法权重由单精度转换为半精度,进一步提升了算法的推理速度。
