近年來，國內(nèi)外研究人員對基于光學(xué)圖像的水下目標(biāo)探測關(guān)鍵技術(shù)進(jìn)行了大量研究，水下目標(biāo)檢測技術(shù)取得了快速發(fā)展，一些研究人員對檢測中的關(guān)鍵技術(shù)進(jìn)行了總結(jié)。YANGM等對一系列水下的圖像增強及復(fù)原的算法進(jìn)行了系統(tǒng)歸納，對水下場景的代表性方法進(jìn)行了詳細(xì)的客觀評價和分析，HANM等總結(jié)了水下圖像智能去霧和色彩還原算法，LIUR等對一系列水下圖像增強算法綜述。林森等總結(jié)了水下光學(xué)目標(biāo)探測中的關(guān)鍵技術(shù)，但沒有對數(shù)據(jù)集進(jìn)行分析，目前仍缺少針對水下目標(biāo)檢測數(shù)據(jù)集分析，以及針對水下目標(biāo)檢測難點的算法總結(jié)。

　　

　　本文針對水下目標(biāo)檢測存在的難點問題對水下目標(biāo)檢測算法進(jìn)行了總結(jié)；總結(jié)了現(xiàn)有的水下圖像目標(biāo)檢測數(shù)據(jù)集，并對具有代表性的數(shù)據(jù)集進(jìn)行分析；總結(jié)了近五年來國內(nèi)外研究人員的在水下目標(biāo)檢測上的研究進(jìn)展；應(yīng)用FasterRCNN和YOLOV3為基本型，結(jié)合數(shù)據(jù)增強、圖像增強、高分辨率網(wǎng)絡(luò)等可以提升目標(biāo)檢測性能的方法，比較了每種增強方法相較于基本型性能的提升；討論了水下目標(biāo)檢測技術(shù)的進(jìn)一步的發(fā)展方向。

　　

       對于目標(biāo)檢測算法尤其是基于深度學(xué)習(xí)的目標(biāo)檢測算法，需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練，但由于水下環(huán)境復(fù)雜，水下圖像難以獲取，所以目前沒有較為完整的公開的大型水下圖像目標(biāo)檢測數(shù)據(jù)集，現(xiàn)有的水下目標(biāo)檢測數(shù)據(jù)集存在目標(biāo)單一、類別分組較少等一系列問題，本節(jié)總結(jié)了學(xué)者們在水下光學(xué)目標(biāo)檢測算法研究中公開采用的數(shù)據(jù)集，共包括10個數(shù)據(jù)集，對數(shù)據(jù)集的總結(jié)如表1所示，并給出了下載鏈接。對其中具有代表性的3個水下目標(biāo)檢測數(shù)據(jù)集進(jìn)行詳細(xì)分析。


       水下目標(biāo)檢測技術(shù)對于海洋信息探索中具有重要的意義，受到越來越多學(xué)者的關(guān)注，通過對國內(nèi)外水下目標(biāo)檢測算法的調(diào)研總結(jié)，雖然基于光學(xué)圖像的水下目標(biāo)探測關(guān)鍵技術(shù)取得了許多研究成果，但仍存在一些問題需要進(jìn)一步探討，可以從以下幾個方面入手。

　　

　?、派纱笠?guī)模的水下數(shù)據(jù)集自然環(huán)境下的目標(biāo)檢測算法發(fā)展迅速，一些在自然環(huán)境下的解決思路可以應(yīng)用于水下環(huán)境中解決水下目標(biāo)檢測過程的問題。例如在解決數(shù)據(jù)集數(shù)量較少的問題時，傳統(tǒng)的目標(biāo)檢測技術(shù)通常都需要大量的樣本，并且需要大量的時間訓(xùn)練，促進(jìn)了少樣本學(xué)習(xí)的發(fā)展，研究人員開發(fā)出零樣本學(xué)習(xí)、一樣本學(xué)習(xí)、少樣本學(xué)習(xí)，F(xiàn)ANQ等將少樣本學(xué)習(xí)應(yīng)用于自然環(huán)境中的目標(biāo)檢測過程中，結(jié)合注意力機制和多關(guān)系檢測器，并在FSOD自然環(huán)境下的數(shù)據(jù)集上進(jìn)行驗證，


檢測效果相較于基本模型AP50提升了0.125，效果提升明顯。水下目標(biāo)檢測用數(shù)據(jù)集存在樣本數(shù)量較少的問題，可以將少樣本學(xué)習(xí)應(yīng)用于水下，提升水下目標(biāo)檢測算法性能。由于數(shù)據(jù)量較少，可以利用GAN網(wǎng)絡(luò)生成仿真的數(shù)據(jù)集，提升模型的魯棒性，但是實驗表明，利用GAN網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)增強，只有在數(shù)據(jù)量特別少的情況下，對目標(biāo)檢測性能有提升，對于大部分目標(biāo)檢測任務(wù)，提升不大甚至降低了目標(biāo)檢測性能。

　　

　　⑵進(jìn)一步研究深度學(xué)習(xí)網(wǎng)絡(luò)基于傳統(tǒng)的水下目標(biāo)檢測技術(shù)泛化能力差，更換檢測目標(biāo)時，需要重新設(shè)計特征，難以進(jìn)行突破，基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)可以大大提升目標(biāo)檢測的性能，但深度學(xué)習(xí)算法可解釋性差，在預(yù)處理過程中，發(fā)現(xiàn)一些基于深度學(xué)習(xí)的水下圖像復(fù)原或增強技術(shù)，增強效果可視性較好，或者評價指標(biāo)較高，但是對于目標(biāo)檢測性能并沒有提升甚至對性能有所影響。在這方面還需進(jìn)一步研究，例如研究針對目標(biāo)檢測性能提升的圖像增強技術(shù)，以及對無監(jiān)督算法、自監(jiān)督算法和動態(tài)神經(jīng)網(wǎng)絡(luò)的研究。在基于深度學(xué)習(xí)的目標(biāo)檢測算法中，算法對于訓(xùn)練集類似的環(huán)境中檢測效果好，但是在不同失真類型環(huán)境下檢測效果差，如何學(xué)習(xí)生物視覺的處理方式，學(xué)習(xí)人類的思考方式，也是一個可以考慮的提升目標(biāo)檢測性能的方向。

　　

　　⑶將自然環(huán)境中的目標(biāo)檢測技術(shù)應(yīng)用到水下自然環(huán)境下的目標(biāo)檢測技術(shù)發(fā)展迅速，目前較為先進(jìn)的自然環(huán)境中的目標(biāo)檢測算法，例如基于Tranformer的DETR、CascadeRCNN、YOLOF、Varifocalnet等目標(biāo)檢測網(wǎng)絡(luò)，如何克服水下環(huán)境的局限，將自然環(huán)境下的目標(biāo)檢測算法遷移到水下，并且能夠滿足實時檢測的需求，對于水下目標(biāo)檢測技術(shù)的發(fā)展具有重要的意義，這是我們以后的工作。


上一條: 水下沉船打撈主要有哪幾種方法？

下一條: 湖南潛水打撈