Fugu-MT 論文翻訳(概要): Underwater target detection based on improved YOLOv7

論文の概要: Underwater target detection based on improved YOLOv7

arxiv url: http://arxiv.org/abs/2302.06939v1
Date: Tue, 14 Feb 2023 09:50:52 GMT
ステータス: 処理完了
システム内更新日: 2023-02-15 15:43:26.671788
Title: Underwater target detection based on improved YOLOv7
Title（参考訳）: 改良型YOLOv7による水中目標検出
Authors: Kaiyue Liu, Qi Sun, Daming Sun, Mengduo Yang, Nizhuan Wang
Abstract要約: 本研究では,水中目標検出のための改良型YOLOv7ネットワーク(YOLOv7-AC)を提案する。提案するネットワークは、ACmixBlockモジュールを使用して、E-ELAN構造の3x3畳み込みブロックを置き換える。 ResNet-ACmixモジュールは、特徴情報の損失を回避し、計算量を削減するように設計されている。
参考スコア（独自算出の注目度）: 7.264267222876267
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Underwater target detection is a crucial aspect of ocean exploration. However, conventional underwater target detection methods face several challenges such as inaccurate feature extraction, slow detection speed and lack of robustness in complex underwater environments. To address these limitations, this study proposes an improved YOLOv7 network (YOLOv7-AC) for underwater target detection. The proposed network utilizes an ACmixBlock module to replace the 3x3 convolution block in the E-ELAN structure, and incorporates jump connections and 1x1 convolution architecture between ACmixBlock modules to improve feature extraction and network reasoning speed. Additionally, a ResNet-ACmix module is designed to avoid feature information loss and reduce computation, while a Global Attention Mechanism (GAM) is inserted in the backbone and head parts of the model to improve feature extraction. Furthermore, the K-means++ algorithm is used instead of K-means to obtain anchor boxes and enhance model accuracy. Experimental results show that the improved YOLOv7 network outperforms the original YOLOv7 model and other popular underwater target detection methods. The proposed network achieved a mean average precision (mAP) value of 89.6% and 97.4% on the URPC dataset and Brackish dataset, respectively, and demonstrated a higher frame per second (FPS) compared to the original YOLOv7 model. The source code for this study is publicly available at https://github.com/NZWANG/YOLOV7-AC. In conclusion, the improved YOLOv7 network proposed in this study represents a promising solution for underwater target detection and holds great potential for practical applications in various underwater tasks.
Abstract（参考訳）: 水中ターゲット検出は海洋探査の重要な側面である。しかし、従来の水中目標検出手法では、不正確な特徴抽出、遅い検出速度、複雑な水中環境における堅牢性の欠如など、いくつかの課題に直面している。そこで本研究では,水中ターゲット検出のためのyolov7ネットワーク(yolov7-ac)の改良を提案する。提案するネットワークは,ACmixBlockモジュールを用いてE-ELAN構造の3x3畳み込みブロックを置き換え,ACmixBlockモジュール間のジャンプ接続と1x1畳み込みアーキテクチャを組み込んで特徴抽出とネットワーク推論の高速化を図る。さらに、resnet-acmixモジュールは特徴情報の損失を回避し、計算量を削減するように設計され、一方、モデルのバックボーンとヘッド部分にグローバルアテンション機構(gam)を挿入して特徴抽出を改善する。さらに、K-means++アルゴリズムは、K-meansの代わりに使われ、アンカーボックスを取得し、モデルの精度を高める。実験の結果,改良されたYOLOv7ネットワークは,本来のYOLOv7モデルおよび他の一般的な水中目標検出方法よりも優れていた。提案したネットワークは,URPCデータセットとBrackishデータセットの平均平均精度(mAP)を89.6%,97.4%で達成し,従来のYOLOv7モデルと比較して,FPSよりも高いフレームレートを示した。この研究のソースコードはhttps://github.com/NZWANG/YOLOV7-ACで公開されている。本研究で提案する改良型YOLOv7ネットワークは, 水中目標検出のための有望な解であり, 様々な水中タスクの実用化に大きな可能性を秘めている。

関連論文リスト

LAM-YOLO: Drones-based Small Object Detection on Lighting-Occlusion Attention Mechanism YOLO [0.9062164411594178]
LAM-YOLOは、ドローンベースの画像に特化して設計されたオブジェクト検出モデルである。我々は、異なる照明条件下での小さな目標の視認性を高めるために、光遮断注意機構を導入する。次に、回帰損失関数として改良されたSIB-IoUを用いてモデル収束を加速し、局所化精度を向上させる。
論文参考訳（メタデータ） (2024-11-01T10:00:48Z)
YOLO-ELA: Efficient Local Attention Modeling for High-Performance Real-Time Insulator Defect Detection [0.0]
無人航空機からの絶縁体欠陥検出のための既存の検出方法は、複雑な背景や小さな物体と競合する。本稿では,この課題に対処するため,新しい注目基盤アーキテクチャであるYOLO-ELAを提案する。高分解能UAV画像による実験結果から,本手法は96.9% mAP0.5,リアルタイム検出速度74.63フレーム/秒を実現した。
論文参考訳（メタデータ） (2024-10-15T16:00:01Z)
PVAFN: Point-Voxel Attention Fusion Network with Multi-Pooling Enhancing for 3D Object Detection [59.355022416218624]
点とボクセルの表現の統合は、LiDARベースの3Dオブジェクト検出においてより一般的になりつつある。 PVAFN(Point-Voxel Attention Fusion Network)と呼ばれる新しい2段3次元物体検出器を提案する。 PVAFNはマルチプール戦略を使用して、マルチスケールとリージョン固有の情報を効果的に統合する。
論文参考訳（メタデータ） (2024-08-26T19:43:01Z)
Fostc3net:A Lightweight YOLOv5 Based On the Network Structure Optimization [11.969138981034247]
本稿では,モバイル機器向けにカスタマイズされた軽量YOLOv5技術を提案する。提案モデルでは,検出精度が1%向上し,FLOPが13%減少し,既存のYOLOv5に比べてモデルパラメータが26%減少した。
論文参考訳（メタデータ） (2024-03-20T16:07:04Z)
Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。提案手法は平均精度(MAP)を約45.7%向上させる。この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文参考訳（メタデータ） (2023-11-21T19:49:13Z)
Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文参考訳（メタデータ） (2023-08-18T13:13:09Z)
An advanced YOLOv3 method for small object detection [2.906551456030129]
本稿では,小型物体検出のための改良型YOLOv3アルゴリズムを提案する。提案手法では,拡張畳み込みミッシュ(DCM)モジュールをYOLOv3のバックボーンネットワークに導入する。 YOLOv3のネックネットワークでは、畳み込みブロックアテンションモジュール(CBAM)とマルチレベル融合モジュールが導入されている。
論文参考訳（メタデータ） (2022-12-06T07:58:21Z)
A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
論文参考訳（メタデータ） (2022-04-05T16:29:49Z)
The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文参考訳（メタデータ） (2022-01-29T10:54:57Z)
AGSFCOS: Based on attention mechanism and Scale-Equalizing pyramid network of object detection [10.824032219531095]
現在のCOCOデータセットの一般的な検出モデルと比較すると,精度はある程度向上している。我々の最適モデルはResNet50の背景で39.5%のCOCO APが得られる。
論文参考訳（メタデータ） (2021-05-20T08:41:02Z)
Depthwise Non-local Module for Fast Salient Object Detection Using a Single Thread [136.2224792151324]
本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
論文参考訳（メタデータ） (2020-01-22T15:23:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。