本文主要是介绍【文献阅读】1-Underwater object detection using Invert Multi-Class Adaboost with deep learning,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
使用多反转级Adaboost算法实现水下目标检测
- 摘要
- 关键词
- 背景
- 创新点
- 方法
- 实验
- 结论与不足
- 参考
摘要
本文提出了一种新新的水下目标识别算法,基于深度学习的Sample-WeIghted hyPEr Network (SWIPENet) 神经网络,加上新的样本加权损失函数Invert Multi-Class Adaboost (IMA) 进行样本重新加权的识别方法。
关键词
水下目标识别,多反转级Adaboost,样本重新加权,噪声数据
背景
为解决水下目标识别的两方面困难:
- 在真实的应用场景中,目标物通常是很小体积,且图像模糊
- 水下数据集图像常常伴随异质性的噪声
创新点
提出新的水下目标识别神经网络SWIPENet
提出了一个新的样本权重损失函数 +Multi-Class Invert Adaboost样本重权算法
方法
SWIPENeT网络结构–灵感来源于DSSD网络
1.底层网络:VGG16 模块
首先,多个down-sampling convolution layers 提取有利于物体分类的高语义特征图
2.由于图片过于单一后,加入多个up-sampling deconvolution layers 和 skip connection
3.最后使用dilated convolution layers使用 ReLU 函数,来获取较多的语义,不丢失用于物体定位的信息,扩大感受野
4.以及新的sample-weigthed loss 模块,让算法更加注重于高权重样本,而忽略低权重样本(特征学习)。
5.加入样本重权算法Multi-Class Invert Adaboost,降低不确定物体权重,减少噪声影响。
IMA算法-----伪代码
首先顺序训练多个基本分类器,并根据其错误率Em分配权重值α。然后,将由前面的分类器分类错误的样本分配较高的权重,从而使后面的分类器专注于学习这些样本。最后,将所有弱基础分类器组合在一起,形成具有相应权重的整体分类器。IMA还训练了M次SWIPENet,然后将它们整合为一个统一模型。不同的是,在每次训练迭代中,IMA都会减少丢失对象的权重,以减少这些“干扰”样本的影响
Loss函数公式
实验
1.在两个数据集上面URPC2017 和 URPC2018进行测试
2.并与SSD,YOLOv3和FasterRCNN检测框架做比较
3.消融研究:
3.1.dilated convolution layers (空洞卷积) 和skip connection(跳连)对网络影响,设计一个基准网络UWNet1,结果与SWIPENet网络相同,进行对比实验
3.2.IMA对网络影响,进行单一模型和集合模型对比实验
结论与不足
时间复杂度比单一模型高M倍,因为它是M个深度神经网络的集合体。趋势:降低时间复杂度
引入注意力机制和新的损失函数为减少噪声和目标识别提供借鉴
参考
参考文献
[1]: 代码原文
[2]: 代码源码
[3]:CV Code|计算机视觉开源周报20200504期
[4]: 【水下目标检测】Underwater object detection using Invert Multi-Class Adaboost with deep learning
[5]: 一文梳理水下检测方法
这篇关于【文献阅读】1-Underwater object detection using Invert Multi-Class Adaboost with deep learning的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!