Unterwasserkleinzielerkennung basierend auf dynamischer Faltung und Aufmerksamkeitsmechanismus

In den Missionen zur Ozeanbeobachtung spielen unbemannte autonome Ozeanbeobachtungsplattformen eine entscheidende Rolle, wobei präzise Zielerkennungstechnologien eine wesentliche Unterstützung für den autonomen Betrieb unbemannter Plattformen darstellen. Unter den verschiedenen Unterwasser-Sensorikgeräten hat sich das Seitenbereichs- Sonar (SSS) aufgrund seiner umfangreichen Erkennungsreichweite als primäres Werkzeug zur großflächigen Unterwassererkennung etabliert. Die aktuelle Forschung zur Zielerkennung mit SSS konzentriert sich jedoch hauptsächlich auf große Ziele wie gesunkene Schiffe und Flugzeuge, während Untersuchungen zu kleinen Zielen fehlen. In dieser Studie sammelten wir Daten über Unterwasser-Kleinzielobjekte mit einem unbemannten Boot, das mit SSS ausgestattet ist, und schlugen eine Verbesserungsmethode basierend auf dem YOLOv7-Modell zur Erkennung kleiner Ziele in SSS-Bildern vor. Zunächst ersetzten wir den ursprünglichen k-Means-Algorithmus durch den k-Means++-Algorithmus, um genauere anfängliche Ankerkästen zu erhalten. Anschließend ersetzten wir gewöhnliche Faltungsblöcke im Backbone-Netzwerk durch Omni-Dimensional Dynamic Convolution (ODConv), um die Merkmalsextraktionsfähigkeit für kleine Ziele zu verbessern. Danach fügten wir einen Global Attention Mechanism (GAM) in das Halsnetzwerk ein, um uns auf globale Informationen zu konzentrieren und Zielmerkmale zu extrahieren, wodurch das Problem spärlicher Zielmerkmale in SSS-Bildern effektiv angesprochen wurde. Schließlich milderten wir die schädlichen Gradienten, die durch qualitativ minderwertige annotierte Daten erzeugt wurden, indem wir Wise-IoU (WIoU) einsetzten, um die Erkennungsgenauigkeit kleiner Ziele in SSS-Bildern zu verbessern. Durch die Validierung am Testset wies die vorgeschlagene Methode eine signifikante Verbesserung im Vergleich zum ursprünglichen YOLOv7 auf, mit Steigerungen von 5,05 % und 2,51 % in den Indikatoren mAP @0,5 und mAP @0,5: 0,95. Die vorgeschlagene Methode zeigte hervorragende Leistungen bei der Erkennung kleiner Ziele in SSS-Bildern und kann auf die Erkennung von Unterwasserminen und kleinen Geräten angewendet werden, wodurch sie effektive Unterstützung für Aufgaben zur Unterwasser-Kleinzielerkennung bietet.