《表1 目标识别准确率(mAP)及检测率对比(Num)(%)》
水下图像增强的目的不仅是为了主观视觉质量的改进,更主要的是为了能够完成更高级别的视觉分析任务(例如目标识别和检测)。本文通过目标检测网络模型对经过7种算法增强后的水下图像数据集进行训练与测试,对比了平均水下目标识别准确率(mean average precision,mAP)和检测到目标数量与实际的目标数量的比值(Num)来评估各个增强算法对于水下目标识别和检测任务中的作用。实验的图像数据来自于RUIE (real-world underwater image enhancement)[22]近海水下图像数据集,该数据集提供3类海洋生物,即扇贝、海胆和海参的边界框和标签。由于这3种海洋生物的外观和周围环境十分相似,因此对该数据集进行目标检测及识别均具有一定的挑战性。本文从该数据集中选取2 400张标记过的水下图像作为实验图像,图像归一化大小为300×400。其中2 000张图像作为训练集,400张图像为测试集。用各种方法增强后的RUIE数据集重新训练目标检测网络YOLO-V3[23]并对3种目标进行检测,结果如图5和表1所示。3类目标的识别准确率和检测率如图6所示。在图像未经过增强处理前,m AP和Num分别为0.323和0.347。
图表编号 | XD00194636400 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.01 |
作者 | 杨淼、王海文、胡珂、殷歌、胡金通 |
绘制单位 | 江苏海洋大学电子工程学院、青岛海洋科学与技术试点国家实验室、江苏海洋大学电子工程学院、江苏海洋大学电子工程学院、江苏海洋大学电子工程学院、江苏海洋大学电子工程学院 |
更多格式 | 高清、无水印(增值服务) |