【技术实现步骤摘要】
一种基于高低频特征差分金字塔神经网络的水下目标检测方法
[0001]本专利技术涉及目标检测
，具体而言，尤其涉及一种基于高低频特征差分金字塔神经网络的水下目标检测方法。
技术介绍
[0002]目前，在水下图像处理领域中，水下目标检测技术是一项热门的研究方向。随着人工智能以及计算机视觉技术的快速发展，传统水下目标检测技术中所暴露出的信息识别速度低下、目标检测准确率不佳等瓶颈也得以显著突破。不同于传统目标检测算法，基于深度学习的水下目标检测技术通过深层网络学习映射关系实现对水下目标的类别识别与位置框标注，但当前主流的水下目标检测技术的精度以及实时检测速度仍有较大的提升空间。
[0003]水下目标检测的难度在于，水下环境比陆地上的环境更加复杂，由于水下光源不足，因此在进行目标检测等任务时，需要人工提供光源。光源在水下的传播会收到水吸收、反射、折射等影响，从而产生严重的作用衰减。因此就造成了水下采集到的图像出现模糊不清、低对比度、光照不均匀、色彩不协调等问题，这些问题的出现，使得图像中目标的特征变得模糊不易识别，图像边...
【技术保护点】
【技术特征摘要】
1.一种基于高低频特征差分金字塔神经网络的水下目标检测方法，其特征在于，包括：获取水下图像数据，并对获取的水下图像数据进行预处理和小波变换操作，得到网络的输入数据；构造高低频双分支网络，对预处理和小波变换操作后的水下图像进行特征提取；分别抽取高低频双分支网络提取的特征中的4个中间特征层进行拼接以及残差减法的差分操作，构造双分支多尺度特征金字塔；对双分支多尺度特征金字塔进行特征融合，构造多尺度输出特征图，通过每个特征融合后的输出结果实现对水下图像不同尺度目标的检测。2.根据权利要求1所述的基于高低频特征差分金字塔神经网络的水下目标检测方法，其特征在于，所述获取水下图像数据，并对获取的水下图像数据进行预处理和小波变换操作，得到网络的输入数据，具体包括：预处理操作：将获取的水下图像数据作为原始图像，对原始图像进行裁剪以及锐化处理；小波变换操作：通过小波变换分解算法，将预处理后的每张原始图像分为高频图像与低频图像，作为输入数据。3.根据权利要求2所述的基于高低频特征差分金字塔神经网络的水下目标检测方法，其特征在于，所述构造高低频双分支网络，对预处理和小波变换操作后的水下图像进行特征提取，具体包括：将高频图像和低频图像输入到两个权值共享的ResNet50网络中，得到高低频双分支网络；高频图像和低频图像在经过一系列的卷积、批量归一化化、ReLU激活、最大池化后，再经过1个Conv块以及2个Identity块，提取此时的中间特征作为第一高频分支中间特征层和第一低频分支中间特征层；继续经过1个Conv块以及3个Identity块后，提取此时的中间特征层作为第二高频分支中间特征层和第二低频分支中间特征层；继续经过1个Conv块以及5个Identity块后，提取此时的中间特征层作为第三高频分支中间特征层和第三低频分支中间特征层；继续经过1个Conv块以及2个Identity块后，提取此时的中间特征层第四高频分支中间特征层和第四低频分支中间特征层。4.根据权利要求3所述的基于高低频特征差分金字塔神经网络的水下目标检测方法，其特征在于，所述分别抽取高低频双分支网络提取的特征中的4个中间特征层进行拼接以及残差减法的差分操作，构造双分支多尺度特征金字塔，具体包括：分别对第一高频分支中间特征层和第一低频分支中间特征层、第二高频分支中间特征层和第二低频分支中间特征层、第三高频分支中间特征层和第三低频分支中间特征层、第四高频分支中间特征层和第四低频分支中间特征层进行拼接操作和1
×
1卷积操作，作为第一分支四尺度特征金字塔；分别对第一高频分支中间特征层和第一低频分支中间特征层、第二高频分支中间特征层和第二低频分支中间特征层、第三高频分支中间特征层和第三低频分支中间特征层、第四高频分支中间特征层和第四低频分支中间特征层进行...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。