近年來(lái)，國(guó)內(nèi)外研究人員對(duì)基于光學(xué)圖像的水下目標(biāo)探測(cè)關(guān)鍵技術(shù)進(jìn)行了大量研究，水下目標(biāo)檢測(cè)技術(shù)取得了快速發(fā)展，一些研究人員對(duì)檢測(cè)中的關(guān)鍵技術(shù)進(jìn)行了總結(jié)。YANGM等對(duì)一系列水下的圖像增強(qiáng)及復(fù)原的算法進(jìn)行了系統(tǒng)歸納，對(duì)水下場(chǎng)景的代表性方法進(jìn)行了詳細(xì)的客觀評(píng)價(jià)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(duì)一系列水下圖像增強(qiáng)算法綜述。林森等總結(jié)了水下光學(xué)目標(biāo)探測(cè)中的關(guān)鍵技術(shù)，但沒(méi)有對(duì)數(shù)據(jù)集進(jìn)行分析，目前仍缺少針對(duì)水下目標(biāo)檢測(cè)數(shù)據(jù)集分析，以及針對(duì)水下目標(biāo)檢測(cè)難點(diǎn)的算法總結(jié)。

　　

　　本文針對(duì)水下目標(biāo)檢測(cè)存在的難點(diǎn)問(wèn)題對(duì)水下目標(biāo)檢測(cè)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(cè)數(shù)據(jù)集，并對(duì)具有代表性的數(shù)據(jù)集進(jìn)行分析；總結(jié)了近五年來(lái)國(guó)內(nèi)外研究人員的在水下目標(biāo)檢測(cè)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(qiáng)、圖像增強(qiáng)、高分辨率網(wǎng)絡(luò)等可以提升目標(biāo)檢測(cè)性能的方法，比較了每種增強(qiáng)方法相較于基本型性能的提升；討論了水下目標(biāo)檢測(cè)技術(shù)的進(jìn)一步的發(fā)展方向。

　　

       對(duì)于目標(biāo)檢測(cè)算法尤其是基于深度學(xué)習(xí)的目標(biāo)檢測(cè)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(méi)有較為完整的公開(kāi)的大型水下圖像目標(biāo)檢測(cè)數(shù)據(jù)集，現(xiàn)有的水下目標(biāo)檢測(cè)數(shù)據(jù)集存在目標(biāo)單一、類(lèi)別分組較少等一系列問(wèn)題，本節(jié)總結(jié)了學(xué)者們?cè)谒鹿鈱W(xué)目標(biāo)檢測(cè)算法研究中公開(kāi)采用的數(shù)據(jù)集，共包括10個(gè)數(shù)據(jù)集，對(duì)數(shù)據(jù)集的總結(jié)如表1所示，并給出了下載鏈接。對(duì)其中具有代表性的3個(gè)水下目標(biāo)檢測(cè)數(shù)據(jù)集進(jìn)行詳細(xì)分析。


       水下目標(biāo)檢測(cè)技術(shù)對(duì)于海洋信息探索中具有重要的意義，受到越來(lái)越多學(xué)者的關(guān)注，通過(guò)對(duì)國(guó)內(nèi)外水下目標(biāo)檢測(cè)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(cè)關(guān)鍵技術(shù)取得了許多研究成果，但仍存在一些問(wèn)題需要進(jìn)一步探討，可以從以下幾個(gè)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(cè)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(cè)過(guò)程的問(wèn)題。例如在解決數(shù)據(jù)集數(shù)量較少的問(wèn)題時(shí)，傳統(tǒng)的目標(biāo)檢測(cè)技術(shù)通常都需要大量的樣本，并且需要大量的時(shí)間訓(xùn)練，促進(jìn)了少樣本學(xué)習(xí)的發(fā)展，研究人員開(kāi)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(cè)過(guò)程中，結(jié)合注意力機(jī)制和多關(guān)系檢測(cè)器，并在FSOD自然環(huán)境下的數(shù)據(jù)集上進(jìn)行驗(yàn)證，


檢測(cè)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(cè)用數(shù)據(jù)集存在樣本數(shù)量較少的問(wèn)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(cè)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(shí)驗(yàn)表明，利用GAN網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)增強(qiáng)，只有在數(shù)據(jù)量特別少的情況下，對(duì)目標(biāo)檢測(cè)性能有提升，對(duì)于大部分目標(biāo)檢測(cè)任務(wù)，提升不大甚至降低了目標(biāo)檢測(cè)性能。

　　

　?、七M(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(cè)技術(shù)泛化能力差，更換檢測(cè)目標(biāo)時(shí)，需要重新設(shè)計(jì)特征，難以進(jìn)行突破，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)可以大大提升目標(biāo)檢測(cè)的性能，但深度學(xué)習(xí)算法可解釋性差，在預(yù)處理過(guò)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(qiáng)技術(shù)，增強(qiáng)效果可視性較好，或者評(píng)價(jià)指標(biāo)較高，但是對(duì)于目標(biāo)檢測(cè)性能并沒(méi)有提升甚至對(duì)性能有所影響。在這方面還需進(jìn)一步研究，例如研究針對(duì)目標(biāo)檢測(cè)性能提升的圖像增強(qiáng)技術(shù)，以及對(duì)無(wú)監(jiān)督算法、自監(jiān)督算法和動(dòng)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(cè)算法中，算法對(duì)于訓(xùn)練集類(lèi)似的環(huán)境中檢測(cè)效果好，但是在不同失真類(lèi)型環(huán)境下檢測(cè)效果差，如何學(xué)習(xí)生物視覺(jué)的處理方式，學(xué)習(xí)人類(lèi)的思考方式，也是一個(gè)可以考慮的提升目標(biāo)檢測(cè)性能的方向。

　　

　?、菍⒆匀画h(huán)境中的目標(biāo)檢測(cè)技術(shù)應(yīng)用到水下自然環(huán)境下的目標(biāo)檢測(cè)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(cè)算法，例如基于Tranformer的DETR、CascadeRCNN、YOLOF、Varifocalnet等目標(biāo)檢測(cè)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(cè)算法遷移到水下，并且能夠滿(mǎn)足實(shí)時(shí)檢測(cè)的需求，對(duì)于水下目標(biāo)檢測(cè)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