[发明专利]基于特征融合及神经网络搜索的轻量型水下目标检测方法

说明书

本发明公开了基于特征融合及神经网络搜索的轻量型水下目标检测方法，属于计算机视觉领域。将陆上与水下检测网络特征进行融合，即相加操作，以实现利用陆上先验知识指导水下网络结构建设的目标。同时利用神经网络搜索算法，设计高效搜索空间，采用基于梯度的可微搜索策略，并构建水下超网络结构以及陆上镜像检测结构以直接建立水下降质因素、陆上先验信息与检测网络结构的联系。

技术领域

本发明属于计算机视觉领域，涉及基于特征融合及神经网络搜索的轻量型水下目标检测方法。

背景技术

水下目标检测在海洋学、水下导航以及渔业等方面有广泛应用。该研究旨在定位出水下图像/视频中感兴趣的目标,准确判断出每个目标的具体类别及其边界框的位置和大小。水下检测场景同陆上相比，存在泥沙遮挡、颜色畸变、不均匀光照和目标遮挡等多种水下降质问题，因此水下检测面临更为巨大的挑战。此外，水下检测通常为移动端作业，对算法复杂性具有较高要求。然而，现阶段的检测算法往往基于大型网络结构，难以满足水下检测对轻量型算法的要求。

深度学习方法是通过神经网络端到端学习水下目标特征，以此完成目标检测任务，基本框架一般包括骨干部分、颈部、兴趣区域部分和头部。将训练数据输入网络中，通过骨干部分进行特征提取得到特征图，接下来颈部融合来自骨干部分不同层的特征图以增强特征信息，兴趣区域部分在最终的特征图上生成目标候选框，最后头部生成目标种类和位置的检测结果。当前基于深度学习的水下目标检测方法主要分为两类方法：一类方法是根据水下场景多泥沙模糊、色偏、光照不均匀等降质因素直接调整陆上目标检测方法，例如使用空洞卷积文献[L.Chen,Z.Liu,L.Tong,Z.Jiang,S.Wang,J.Dong,Hu.Zhou.Underwaterobject detection using invert multi-class adaboost with deep learning.InIJCAI,2020,pages1–8.]、融合多尺度特征等操作来减少特征损失或者增强特征信息文献，如专利[CN112232180A]。第二类方法通过设计损失函数或者额外的增强模块来建立水下降质因素与检测结构件的关系，如专利[CN111627047A]。第一类方法本质上依然关注检测问题本身，并未真正直接建立水下降质因素与检测结构的联系，因此仍未从根本上解决水下色偏、泥沙污浊、光线不均匀等场景问题，从而导致检测效果不佳。第二类方法通过人为方式尝试建立水下降质因素与检测结构之间的关联关系，然而这类启发式方法很难揭示水下复杂多种降质因素背后的规律，因而实际应用效果不佳。此外，这两类方法大多采用复杂的检测网络结构，很难部署到水下作业设备当中。

神经网络搜索是一种从训练数据分布中学习网络结构的方式，主要分为基于强化学习、进化算法和梯度策略这三类方法。当前有些工作采用该方式设计陆上目标检测网络结构。DetNas采用基于进化算法策略的神经网络方法设计检测的骨干部分；NAS-FPN采用基于强化学习策略的神经网络算法搜索检测的颈部部分。这些方法在陆上检测方法种取得一些成果，然而基于这两种策略的神经网络搜索方法的搜索代价昂贵，难以推广使用。基于梯度策略的神经网络搜索方法极大减轻了搜索代价，但迄今为止鲜有工作将该方法应用到水下目标检测当中，且该方法的搜索性能有很大的提升空间。

本发明提出一种基于特征融合及神经网络搜索的轻量型水下目标检测方法。为了直接建立水下降质因素与检测结构之间的关联关系，本发明采用基于梯度的神经网络搜索方法用于水下检测网络结构的设计。此外，为了满足水下检测对于网络结构轻量型的要求，本发明设计了高效的搜索空间以保证搜索结果的轻量性需求。同时，鉴于成熟的陆上检测深度算法体系的发展，本发明设计了水下搜索超网络结构，并依此设计陆上检测网络的结构，期望通过特征融合的方式实现使用陆上检测先验信息辅助水下检测网络结构建立的目的。

发明内容

本发明旨在解决现有基于深度学习的水下目标检测方法的不足，提供一种基于监督学习的陆上目标检测方法辅助水下目标检测网络结构搜索的水下检测方法。改进基于梯度的神经网络搜索算法，设计高效搜索空间、水搜索超网络以及陆上检测结构，建立包含水下降质因素与陆上检测先验信息的水下目标检测结构。