Trotz der bemerkenswerten Erfolge bei der Objekterkennung, die Genauigkeit des Modells
und Effizienz müssen unter schwierigen Bedingungen unter Wasser noch weiter verbessert werden
Bedingungen, wie niedrige Bildqualität und begrenzte Rechenressourcen. Zu
gehen Sie darauf ein, Wir schlagen eine ultraleichte Echtzeit-Objekterkennung unter Wasser vor
Rahmen, Man spürt nur einmal darunter (YSOOB). Speziell, Wir nutzen a
Multispektrum-Wavelet-Encoder (MSW) um eine Frequenzbereichskodierung durchzuführen
das Eingabebild, Minimierung des durch Unterwasseroptik verursachten semantischen Verlusts
Farbverzerrung. Außerdem, Wir betrachten die einzigartigen Eigenschaften von erneut
gleichmäßig große und transponierte Windungen, Ermöglichen, dass das Modell dynamisch ist
Schlüsselinformationen während des Resampling-Prozesses auswählen und verbessern, dadurch
Verbesserung seiner Generalisierungsfähigkeit. Endlich, Wir beseitigen Modellredundanz
durch eine einfache, aber effektive Kanalkomprimierung großflächig rekonstruiert
Kernelfaltung (RLKC) Modellleichtgewicht zu erreichen. Infolge, bildet a
Hochleistungs-Unterwasser-Objektdetektor YSOOB mit nur 1.2 Million
Parameter. Umfangreiche experimentelle Ergebnisse belegen das, mit den wenigsten
Parameter, YSOOB erreicht mAP50 von 83.1% Und 82.9% auf dem URPC2020 und DUO
Datensätze, jeweils, vergleichbar mit den aktuellen SOTA-Detektoren. Die Schlussfolgerung
Geschwindigkeit erreicht 781.3 FPS und 57.8 FPS auf der T4-GPU (TensorRT FP16) und der Rand
Computergerät Jetson Xavier NX (TensorRT FP16), übertrifft YOLOv12-N um
28.1% Und 22.5%, jeweils.

Dieser Artikel untersucht Zeitreisen und deren Auswirkungen.

PDF herunterladen: