融合scSE模块的改进Mask R-CNN海洋锋检测方法

作     者：徐慧芳 黄冬梅 贺琪 杜艳玲 覃学标 时帅 胡安铎 XU Huifang;HUANG Dongmei;HE Qi;DU Yanling;QIN Xuebiao;SHI Shuai;HU Anduo

作者机构：上海海洋大学信息学院上海201306 上海建桥学院信息技术学院上海201306 上海电力大学上海201306 上海电力大学国际交流与合作处上海201306 

基　　金：国家自然科学基金青年基金(41906179) 上海市教育发展基金(AASH2004) 国家海洋局数字海洋科学技术重点实验室开放基金(B201801029) 上海市科委部分地方高校能力建设项目(20050501900,20020500700) 

出 版 物：《海洋通报》 (Marine Science Bulletin)

年 卷 期：2022年第41卷第1期

页      码：19-28页

摘      要：海洋锋是重要的中尺度海洋现象,具有数据量小、目标小、弱边缘等特性。针对实际检测任务中弱边缘、小目标海洋锋的检测精度低、错检及漏检率高等问题,融合scSE(spatial and channel Squeeze&Excitation)空间注意力模块构建了一种改进的Mask R-CNN海洋锋检测模型。该方法首先对Mask R-CNN骨干网络结构进行改进,采用scSE模块引导的ResNet-50网络作为特征提取网络,通过加权策略对图像通道和空间位置进行特征突出,提升网络对重要特征的提取能力;其次,针对海洋锋目标边缘定位不准确的问题,引入IoU boundary loss构建新的Mask损失函数,提高边界检测精度。最后,为验证方法的有效性,从训练数据和实验模型上,分别设计多组对比实验。实验结果表明,相比传统Mask R-CNN、YOLOv3神经网络及现有Mask R-CNN改进网络,本文方法对SST梯度影像数据集上的强、弱海洋锋检测效果最好,定位准确率(IoU,Intersection-over-union))及检测精度(mAP,Mean Average Precision)均达0.914以上。此外,对文中设计评估模型进行检测效率实验,结果发现在不同网络模型、不同迭代次数情况下,本文提出模型消耗时间最短,远低于YOLOv3网络完成训练时所用时长。

主 题 词：scSE空间注意力 Mask R-CNN 海洋锋检测 Mask损失函数 

学科分类：0810[工学-土木类] 07[理学] 0707[理学-海洋科学类] 08[工学] 081002[081002] 

核心收录：

D　O　I：10.11840/j.issn.1001-6392.2022.01.003

馆 藏 号：203110425...