Un modelo de aprendizaje profundo aplicado a la detección y reconocimiento de objetivos en imágenes ópticas para la identificación de biostructuras submarinas
Autores: Ge, Huilin; Dai, Yuewei; Zhu, Zhiyu; Liu, Runbang
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Un modelo de aprendizaje profundo aplicado a la detección y reconocimiento de objetivos en imágenes ópticas para la identificación de biostructuras submarinas
Categoría
Tecnología de Equipos y Accesorios
Subcategoría
Diseño de equipos y herramientas
Palabras clave
Detección
Reconocimiento
De objetivos
Submarinos
Basado en aprendizaje profundo
Aprendizaje profundo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 22
Citaciones: Sin citaciones
Objetivo: Proponemos un sistema de detección de objetivos submarinos basado en aprendizaje profundo que puede resolver eficazmente el problema de la detección y reconocimiento de objetivos en imágenes ópticas submarinas. Métodos: En este documento, basándonos en la profundidad de la detección y reconocimiento de objetivos en imágenes ópticas submarinas y utilizando un modelo de aprendizaje, presentamos soluciones correspondientes utilizando el concepto de soluciones de migración de estilo, como muestras de entrenamiento. La falta de variabilidad y la mala generalización de las aplicaciones prácticas presentan un desafío para la identificación de objetos submarinos. Se propuso el modelo ligero UW_YOLOv3 para resolver los problemas de consumo de energía y limitaciones de recursos de almacenamiento en escenarios de aplicación submarina. El módulo de detección y reconocimiento, basado en aprendizaje profundo, puede abordar el proceso de degradación de la imagen submarina al incorporar un módulo de mejora de imagen en el módulo de detección y reconocimiento para el ajuste conjunto y la transferencia de conocimiento. Resultados: La precisión de detección del modelo UW_YOLOv3 diseñado en este documento superó al algoritmo ligero YOLOV3-TINY en un 7.9% con la misma entrada de escala de imagen. En comparación con otros algoritmos grandes, la precisión de detección fue menor, pero la velocidad de detección fue mucho mayor. En comparación con el algoritmo SSD, la precisión de detección fue solo 4.7 menor; la velocidad fue 40.9 FPS más alta; y la tasa fue casi 16 veces mayor que Faster R-CNN. Cuando la escala de entrada fue 224, aunque se perdió parte de la precisión, la velocidad de detección se duplicó, alcanzando 156.9 FPS. Conclusión: Basado en nuestro marco, el problema de la detección y reconocimiento de objetivos en imágenes ópticas submarinas puede ser resuelto eficazmente. Los estudios relevantes no solo han enriquecido la teoría de detección de objetivos y gloria, sino que también han proporcionado a las gafas ópticas una visión clara para sistemas de aplicación submarina apropiados.
Descripción
Objetivo: Proponemos un sistema de detección de objetivos submarinos basado en aprendizaje profundo que puede resolver eficazmente el problema de la detección y reconocimiento de objetivos en imágenes ópticas submarinas. Métodos: En este documento, basándonos en la profundidad de la detección y reconocimiento de objetivos en imágenes ópticas submarinas y utilizando un modelo de aprendizaje, presentamos soluciones correspondientes utilizando el concepto de soluciones de migración de estilo, como muestras de entrenamiento. La falta de variabilidad y la mala generalización de las aplicaciones prácticas presentan un desafío para la identificación de objetos submarinos. Se propuso el modelo ligero UW_YOLOv3 para resolver los problemas de consumo de energía y limitaciones de recursos de almacenamiento en escenarios de aplicación submarina. El módulo de detección y reconocimiento, basado en aprendizaje profundo, puede abordar el proceso de degradación de la imagen submarina al incorporar un módulo de mejora de imagen en el módulo de detección y reconocimiento para el ajuste conjunto y la transferencia de conocimiento. Resultados: La precisión de detección del modelo UW_YOLOv3 diseñado en este documento superó al algoritmo ligero YOLOV3-TINY en un 7.9% con la misma entrada de escala de imagen. En comparación con otros algoritmos grandes, la precisión de detección fue menor, pero la velocidad de detección fue mucho mayor. En comparación con el algoritmo SSD, la precisión de detección fue solo 4.7 menor; la velocidad fue 40.9 FPS más alta; y la tasa fue casi 16 veces mayor que Faster R-CNN. Cuando la escala de entrada fue 224, aunque se perdió parte de la precisión, la velocidad de detección se duplicó, alcanzando 156.9 FPS. Conclusión: Basado en nuestro marco, el problema de la detección y reconocimiento de objetivos en imágenes ópticas submarinas puede ser resuelto eficazmente. Los estudios relevantes no solo han enriquecido la teoría de detección de objetivos y gloria, sino que también han proporcionado a las gafas ópticas una visión clara para sistemas de aplicación submarina apropiados.