系统工程与电子技术

作者：陈任飞, 彭勇, 李忠文

单位：1. 大连理工大学水利工程学院, 辽宁 大连 116024；2. 大连理工大学经济管理学院, 辽宁 大连 116024

关键词：深度学习,水面漂浮物,目标检测,无监督域适应,持续学习

基金：国家自然科学基金(71874021);国家自然科学基金(71974024);大连理工大学人工智能研究院项目(05090001);国家重点研发计划课题(2022YFC3202803)

针对漂浮物检测中小尺度目标和域转移问题, 提出一种基于持续无监督域适应策略的漂浮物检测方法。该方法通过删除低分辨率特征图, 增强高分辨率特征图, 提升小尺度漂浮物的特征提取能力。同时, 该方法整合无监督域适应、缓冲区和样本重放, 降低应用场景中不断变化的域转移差异。并将改进检测网络与持续无监督域适应相结合, 提升模型检测精度和泛化能力。通过在漂浮物数据集上实验验证, 对比现有方法, 该方法的检测精度达到82.2%, 检测速度达到68.5 f/s, 浮点数的算量减少到33亿, 模型大小达到25.3 MB, 扩展了目标检测在水面视觉中的应用。

来源：2023年第11期

《系统工程与电子技术》期刊编辑部

查看系统工程与电子技术杂志2023年第11期