Lightweight Underwater Target Detection Algorithm Based on YOLOv8
-
摘要:
针对复杂水下环境导致水下目标检测时出现误检、漏检以及检测效率低等问题，提出了一种改进YOLOv8模型的轻量化水下目标检测算法。首先，为了改善颈部网络特征融合不足的问题，将YOLOv8的颈部网络融合（Bidirectional Feature Pyramid Network，BiFPN）双向特征金字塔结构，提高小目标层的检测效果；其次，针对网络中卷积模块参数量大和计算复杂度高的问题，设计了一种自适应注意力下采样（Adaptive-Attention Down-Sampling，AADS）模块，将主干网络中的卷积模块替换为AADS模块，降低模型参数量和计算量；最后，引入大可分离核注意力机制（Large Separable Kernel Attention，LSKA），强化特征提取能力，使模型能够更精确地关注重要信息，提高目标检测精度。将改进的网络在水下目标检测数据集中进行实验，改进后的算法与YOLOv8相比，平均检测精度提升了1.4%，模型计算复杂度降低了15.9%，模型参数量减少了43.3%，使检测精度和检测速度之间达到了很好的平衡。
-
关键词:
- YOLOv8 /
- 水下目标检测 /
- 大可分离核注意力机制 /
- 轻量化 /
- 多尺度特征融合
Abstract:To address the problems of misdetection, omission detection, and low detection efficiency when detecting underwater targets due to the complex underwater environment, a lightweight underwater target detection algorithm with an improved YOLOv8 model is proposed. First, to ameliorate the problem of insufficient feature fusion in the neck network, the neck network of YOLOv8 is fused with a BiFPN bidirectional feature pyramid structure to improve the detection of the small target layer. Second, to address the problem of the large number of parameters of the convolution module in the network and high computational complexity, an Adaptive-Attention Down-Sampling(AADS) module is designed to replace the convolution module in the backbone network to reduce the number of model parameters and amount of computation. Finally, Large Separable Kernel Attention (LSKA) is introduced to strengthen the feature extraction capability such that the model can focus on important information more accurately and improve target detection accuracy. The experimental results show that in the underwater target detection dataset, the improved algorithm improves the average detection accuracy by 1.4%, reduces the number of model parameters by 43.3%, and reduces the computational complexity of the model by 15.9% when compared with YOLOv8. This realizes a good balance between detection accuracy and detection speed.
-
0. 引言
对于航天产品，无论是卫星平台还是有效载荷，都需要进行充分而适度的环境模拟试验，以达到发现隐患、优化设计，提高在轨可靠性的目的。在热控分系统中，包含一项极为重要、且贯穿整个研制阶段的环境模拟试验，热平衡试验。通过该试验，达到验证热设计的正确性和合理性、修正热分析数学模型的目的。在热平衡试验中，能否准确地模拟外热流直接决定试验的成败，是影响试验结果的关键热边界条件。对于近地轨道航天器，空间外热流主要由太阳直射、地球反照和地球红外3部分辐射能量组成[1]。
在热平衡试验中，模拟外热流的方式主要包括太阳模拟器、表面粘贴电阻加热片、红外加热笼、红外灯阵等。其中，太阳模拟器主要模拟与太阳光相接近的光谱分布、辐照度等，但是这种模拟方式成本高、技术复杂，需配套复杂的运动模拟器模拟航天器在轨的姿态变化。红外灯阵模拟的外热流辐照强度可以根据电压来调节，对瞬态的外热流模拟较容易实现，但是红外灯的辐照强度具有明显的方向性，不容易控制模拟表面的热流均匀程度，并且红外灯阵模拟外热流，需要考察模拟表面对红外灯的辐射光谱吸收特性。表面粘贴电阻加热片模拟外热流，模拟的是航天器表面的吸收外热流，要求加热器粘贴后不能对模拟表面造成损伤，并且要在加热器表面喷涂与模拟表面相同的涂层。针对红外加热笼模拟外热流，其以结构灵活、模拟简单等特点而被广泛应用在热试验中。红外加热笼模拟的目标外热流即为空间相机在热分析过程中所得到的轨道周期平均外热流。通常配合热流计，计算该热流密度下热流计敏感片的温度，并以热流计的温度作为反馈来控制红外加热笼的功率[2-5]。
杨晓宁[6-7]等通过优化红外灯阵不同的参数来降低模拟的热流密度的不均匀性。同时，还研究了红外加热笼带条的覆盖系数对到达卫星表面外热流均匀性的影响，仿真结果显示加热笼距离卫星表面越远，覆盖系数越大模拟出的外热流均匀性增长的越快。季琨等[8]针对热试验中红外加热笼之间的干扰进行了优化设计，通过防辐射屏和补偿边设计，可以达到减小热干扰的目的。韩继广等[9]研制出一种运动装置，可以改变红外加热笼与航天器表面之间的相对距离，来实现瞬态外热流的模拟。孙玉玮等[10]对红外加热笼的边缘效应进行了研究，通过增添边缘加热笼以及将边缘加热笼翻转一定角度的方式来改善航天器表面到达热流密度的均匀程度。此外，对圆台型航天器表面和与之相匹配的红外加热笼进行了研究，得出了圆台型加热笼的优化设计参数[11]。谢吉慧等[12]针对红外加热笼与航天器表面结构匹配问题，建立一套数字化结构匹配方法，可以使红外加热笼与航天器表面的匹配成功率达到100%。房红军等[13]对加热笼的布点进行了优化设计，通过对热流计布置位置的优化使外热流的误差均方根由9.2%降低至3.2%。但是调整布点位置改变的仅为实际到达卫星表面的平均外热流的大小，并不能改善到达卫星表面上外热流的均匀程度。
而对于特征尺寸较小的表面，采用红外加热笼模拟外热流时，可能存在总到达能量偏低、热流密度均匀性差等问题。因此，本文将基于某微型空间相机，以对外热流最为敏感的散热面为研究对象，开展红外加热笼仿真分析与优化设计的研究。采用有限元法建立红外加热笼-热流计的系统仿真模型，分析加热笼尺寸和热流计粘贴位置对模拟表面总到达能量和热流密度均匀性的影响。
1. 计算模型
在某微型空间相机的热平衡试验中，通过红外加热笼模拟散热面的到达外热流，在一种工况下，模拟出的外热流是恒定的。使用热流计粘贴在散热面的中心来测量模拟的到达外热流。实际试验外热流模拟装置示意图如图 1所示，相机整机包络尺寸为980 mm×200 mm×253 mm，散热面宽和高的尺寸为160 mm×167 mm；加热笼由框架、弹簧、钢带、底座组成，其中钢带通过弹簧与框架相连，形成闭合回路。加热笼的宽和高的尺寸为233 mm×255 mm，分别为加热笼左右边框的最大宽度和上边框至底板之间的距离，加热笼钢带的带条宽度为6 mm，厚度0.1 mm，带条间隔为9 mm；黑片热流计的外径为40 mm；红外加热笼与散热面之间的距离为50 mm。
为了分析该装置模拟出的外热流情况，采用UG/SST模块建立红外加热笼-黑片热流计系统的有限元模型，如图 2所示。其中，壳单元为15055个、节点18408个，共计33463个。对模型进行不同程度的简化，由于加热笼电阻丝与加热笼框架之间采用弹簧相连接，实际热阻很大，所以在建立有限元模型过程中忽略其耦合关系，朝向被加热表面的一侧喷涂黑漆，红外半球发射率为0.9，背向被加热表面的一侧为材料表面自然状态。结合散热面、红外加热笼的轮廓尺寸和黑片热流计的外径，将散热面划分为9个区域，分别建立9个黑片热流计模型，均匀分布在散热面的相应区域，经测量黑片热流计的敏感片及补偿片的红外半球发射率为0.9，并对对应区域的热流计进行编号；热沉温度设置为100 K；散热面喷涂白漆，红外半球发射率和太阳吸收率分别为0.92和0.12。
根据热分析结果得出的散热面高温工况的轨道周期平均外热流，以及散热面参数可以计算出热流计的目标温度：
$$T_{\mathrm{s}}=\sqrt[4]{\frac{\alpha_{\mathrm{s}}}{\varepsilon \sigma}\left(Q_1+Q_2\right)+\frac{Q_3}{\sigma}}$$ (1) 式中：αs为散热面的太阳吸收率；ε为散热面的红外半球发射率；Q1、Q2、Q3分别为太阳直射、地球反照、地球红外的辐射能量；σ为斯特藩-玻尔兹曼常数。
在热试验中，红外加热笼和被加热表面均为平面，并且加热笼的尺寸与被加热表面尺寸基本一致，加热笼与被加热表面之间存在一定距离，这就会出现被加热表面呈现中间受到的热流多，周围受到的热流少的现象[3]。仅采用单一点处的热流计温度值反映出的整个面的热流密度值与实际到达外热流存在误差，因此需要对试验中的误差进行分析。
目前对于均匀程度的定义还不完善，本文采用9个热流计测得的热流密度的均方偏差S来表征到达散热面的均匀程度。
$$S=\sqrt{\frac{\left(t_1-t\right)^2+\left(t_2-t\right)^2+\cdots+\left(t_9-t\right)^2}{9}}$$ (2) 式中：t1~t9为9个敏感片达到平衡时的温度；t为目标热流计温度。
2. 仿真分析
由于红外加热笼主要模拟高温工况下的外热流，这里仅对高温工况的模拟情况进行分析。经热分析得到的轨道周期平均外热流为423.9 W/m2，并以此作为红外加热笼模拟的目标外热流，代入公式(1)计算出高温工况下的目标热流计温度为20.9℃，以此作为控制条件，改变加热笼的加热功率，反复进行稳态计算，当目标热流计达到目标温度且加热笼的占空比为75%时，以此时的功率作为热试验中加热笼需要调节的功率。
9个热流计敏感片达到平衡时的温度如表 1所示，温度云图如图 3所示。
表 1 传统加热笼控制方法下敏感片平衡温度Table 1. Equilibrium temperature of sensitive sheet under conventional heating cage control methodSensitive sheet code Steady state average temperature /℃ RLJ-1 -14.1 RLJ-2 4.5 RLJ-3 -13.1 RLJ-4 2.2 RLJ-5 20.9 RLJ-6 2.7 RLJ-7 18.8 RLJ-8 0.2 RLJ-9 18.9 ![]()
图 3 敏感片平衡时的温度云图Figure 3. Temperature cloud when the sensitive sheet reaches steady state由表 1、图 3可以看到，在热试验中利用红外加热笼模拟外热流，并使用中心位置的RLJ-5热流计温度作为反馈，来控制红外加热笼的开关，达到平衡时的平均到达热流密度为341.2 W/m2，较目标到达外热流偏低19.6%，不满足总到达能量的保守设计原则。所引起的各点温度偏差最大值可达－34.0℃，9个区域的热流均方偏差为102.0。由图 3的仿真结果可知，该种传统加热笼设计带来的外热流模拟与热分析所得的外热流存在较大误差，由于中心的RLJ-5敏感片温度与周围的温度相比较高，所以利用中心RLJ-5热流计的温度来控制加热笼，会导致模拟的平均外热流明显低于在轨期间的外热流，这会使试验工况无法覆盖在轨期间的极端高温工况。并且加热笼模拟出的外热流的不均匀程度很高，因此若要改善这一现象，需对加热笼进行优化设计。
3. 优化设计
本文针对上述缺点提出改进方法：
① 针对模拟的平均到达热流密度较在轨期间偏低的问题，可以采用周围温度较低的热流计对加热笼进行控制，使得模拟的平均热流密度略大于在轨期间平均热流密度；由于9个热流计具有对称性，分别采用RLJ-1、RLJ-2和RLJ-4热流计的温度作为反馈控制加热笼，进行仿真分析，仿真结果如下，9个热流计敏感片达到平衡时的温度如表 2所示。
表 2 不同热流计控制加热笼时敏感片的平衡温度Table 2. Equilibrium temperature of the sensitive sheet when controlling the heating cage with different heat flow metersSensitive sheet code Steady state average temperature/℃ RLJ-1 to control RLJ-2 to control RLJ-4 to control RLJ-1 19.6 0.4 2.2 RLJ-2 40.7 20.0 21.9 RLJ-3 20.6 1.3 3.1 RLJ-4 37.9 17.5 19.4 RLJ-5 59.2 37.3 39.2 RLJ-6 38.5 18.0 19.9 RLJ-7 14.4 -4.5 -2.7 RLJ-8 35.8 15.5 17.3 RLJ-9 14.5 -4.5 -2.7 经计算，采用RLJ-2和RLJ-4热流计的温度来控制加热笼得到的模拟平均热流密度分别为375.7 W/m2和385.5 W/m2，依然小于在轨期间的平均热流密度，而采用RLJ-1热流计作为控制加热笼的温度数据时，平均热流密度为493.1 W/m2，高于在轨期间的平均热流密度。因此，在试验中可以使用RLJ-1热流计来测量到达外热流并采用其温度数据控制加热笼。
② 针对模拟的平均外热流均匀性差的问题，可以在空间条件允许的条件下，尽可能扩大加热笼尺寸，并使散热面处在加热笼的中心位置，以提高均匀性。另外，扩大加热笼的尺寸势必会导致除被模拟表面的其他表面受到影响，可以采用防辐射屏来遮挡热流。改进后结构示意图如图 4所示。
在原有的加热笼尺寸的基础上，分别将宽和高依次增加30 cm和20 cm，并利用RLJ-1热流计的温度反馈对加热笼进行控制，进行仿真分析，得到的结果如下，9个热流计敏感片达到平衡时的温度如表 3所示。各个尺寸下，平均热流密度曲线如图 5所示，热流密度均方偏差曲线如图 6所示。
表 3 改进结构的敏感片的平衡温度Table 3. Equilibrium temperature of sensitive sheet with improved structure/℃ Sensitive sheet code Heat cage size/mm 233×255 263×275 293×295 323×315 353×335 383×355 413×375 443×395 RLJ-1 19.6 19.4 20.1 20.1 19.7 20 20.2 20.7 RLJ-2 40.7 33 29.5 27.1 24.8 24.3 23.9 24.1 RLJ-3 20.6 20.2 20.9 20.9 20.3 20.8 20.9 21.1 RLJ-4 37.9 32.5 29.7 27.6 25.6 24.8 24.4 23.9 RLJ-5 59.2 45.6 39.1 35.2 31.1 29.2 28 27.3 RLJ-6 38.5 32.8 30 27.9 25.9 25.1 24.6 24 RLJ-7 14.4 16.9 18 18.7 18.6 19.6 20.2 20.4 RLJ-8 35.8 29.4 26.4 24.8 23.1 23.4 23.4 23.6 RLJ-9 14.5 16.8 17.7 18.5 18.4 19.4 20 20.4 由表 3和图 5、图 6可以看出利用RLJ-1热流计温度作为反馈，可以提升模拟的平均外热流至高温工况下的轨道周期平均外热流以上；并且扩大加热笼可以有效改善模拟外热流的均匀程度。但是当尺寸扩大到353 mm×335 mm时，模拟的平均外热流与在轨期间平均外热流的差值为69.2 W/m2，热流密度均方偏差下降至27.0，继续扩大尺寸不能明显减小模拟的平均外热流与在轨期间平均外热流的差值，且无法有效地降低热流密度的均方偏差，也就是说继续扩大尺寸已经无法有效地改善到达散热面的热流均匀程度，由于扩大加热笼的尺寸势必会提升加热笼所需的功率，因此在实际的热试验中可以选用尺寸为353 mm×335 mm的加热笼模拟外热流，既可以满足模拟的平均外热流的均匀性要求，又可以做到空间和功率方面的平衡。
4. 结论
本文根据某微型空间相机在热试验中的外热流模拟装置，采用有限元法建立了系统仿真模型，分析了在传统加热笼控制方法下，到达模拟表面的总能量及热流密度均匀性，并对其结构进行了改进，通过分析改进装置的仿真结果，得出以下结论：
1）对于采用传统加热笼控制方法出现的到达模拟表面的总能量偏低的问题，通过调整热流计粘贴位置，可以使到达模拟表面的热流密度高于在轨期间到达散热面的热流密度，进而满足总到达能量的保守设计原则。
2）对于红外加热笼在该热试验中模拟外热流时出现的热流密度不均匀的问题，通过扩大加热笼能够实现提升均匀度的效果，热流密度的均方偏差从最初的102.0降低至27.0，并且平均热流密度与目标热流密度的差值从69.2 W/m2下降至13 W/m2，从而使试验工况更接近空间相机在轨期间的工作状态。
-
![]()
图 4 普通卷积与分组卷积对比
Figure 4. Comparison between ordinary convolution and grouped convolution
表 1 不同注意力机制对比实验
Table 1 Comparison experiment of different attention mechanisms
Algorithms mAP50/% mAP50-95/% Params/MB GFLOPs/G YOLOv8n 81.7 47.4 3.0 8.2 YOLOv8n+SE 82.7 48.9 3.0 8.2 YOLOv8n+MLCA 82.5 48.3 3.0 8.2 YOLOv8n+EMA 82.4 48.7 3.0 8.2 YOLOv8n+simAM 82.1 48.4 3.0 8.2 YOLOv8n+LSKA 83.3 49.2 3.1 8.2 
下载: 导出CSV
表 2 AADS不同位置对比结果
Table 2 Comparison results of AADS at different positions
Algorithms mAP50/% mAP50-95/% Params/MB GFLOPs/G YOLOv8n 81.7 47.4 3.0 8.2 AADS-all 82.7 48.5 2.7 7.9 AADS-
backbone82.7 48.9 2.7 7.9 AADS-neck 82.2 48.4 3.0 8.1
下载: 导出CSV
表 3 消融实验结果
Table 3 Results of ablation experiment
Models BiFPN AADS LSKA mAP50/% mAP50-95/% Params/MB GFLOPs/G FPS/(f/s) 1 81.7 47.4 3.0 8.2 108 2 √ 83.0 49.0 2.0 7.1 112 3 √ 82.7 48.9 2.7 7.9 110 4 √ 83.3 49.2 3.1 8.2 104 5 √ √ 82.8 48.1 1.7 6.9 117 6 √ √ 82.9 48.7 2.0 7.1 112 7 √ √ 82.3 48.6 2.7 8.0 109 8 √ √ √ 83.1 48.8 1.7 6.9 114
下载: 导出CSV
表 4 不同算法对比结果
Table 4 Comparison results of different algorithms
Algorithms mAP50/% Params/MB GFLOPs/G FPS/(f/s) SSD 74.4 26.3 62.8 26 Faster-RCNN 71.2 137 370 12 RetinaNet 58.4 38 170.1 23 YOLOv3 73.0 61.9 66.2 25 YOLOv4-tiny 63.6 6.1 7.0 56 YOLOv5s 82.7 7.1 16.1 63 Ref. [28] 80.9 4.5 8.5 68 YOLOv7-tiny 81.6 6.0 13.2 70 Ours 83.1 1.7 6.9 114
下载: 导出CSV
-
[1] SHEN Linghao, XIA Haisheng, ZHANG Xun, et al. U2PNet: an unsupervised underwater image-restoration network using polarization[J]. IEEE Transactions on Cybernetics, 2024: 1-14. Doi: 10.1109/TCYB. 2024.3365693.
[2] Yeh C H, LIN C H, KANG L W, et al. Lightweight deep neural network for joint learning of underwater object detection and color conversion[J]. IEEE Transactions on Neural Networks and Learning Systems, 2021, 33(11): 6129-6143.
[3] 周辉奎, 章立, 胡素娟. 改进直方图匹配和自适应均衡的水下图像增强[J]. 红外技术, 2024, 46(5): 532-538. http://hwjs.nvir.cn/article/id/6348ba90-16a9-4a8c-b7c8-7f9671176662 ZHOU Huikui, ZHANG Li, HU Sujuan. Underwater image enhancement based on improved histogram matching and adaptive equalization[J]. Infrared Technology, 2024, 46(5): 532-538. http://hwjs.nvir.cn/article/id/6348ba90-16a9-4a8c-b7c8-7f9671176662
[4] SHEN L, Reda M, ZHANG X, et al. Polarization-driven solution for mitigating scattering and uneven illumination in underwater imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2024, 62: 4202615.
[5] XU S, ZHANG M, SONG W, et al. A systematic review and analysis of deep learning-based underwater object detection[J]. Neurocomputing, 2023, 527: 204-232. DOI: 10.1016/j.neucom.2023.01.056
[6] REN S, HE K, Girshick R, et al. Faster R-CNN: Towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2016, 39(6): 1137-1149.
[7] LIU W, Anguelov D, Erhan D, et al. SSD: single shot multibox detector[C]//Computer Vision–ECCV, 2016: 21-37.
[8] WANG C Y, Bochkovskiy A, LIAO H Y M. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2023: 7464-7475.
[9] ZENG L, SUN B, ZHU D. Underwater target detection based on Faster R-CNN and adversarial occlusion network[J]. Engineering Applications of Artificial Intelligence, 2021, 100: 104190. DOI: 10.1016/j.engappai.2021.104190
[10] SONG P, LI P, DAI L, et al. Boosting R-CNN: reweighting R-CNN samples by RPN's error for underwater object detection[J]. Neurocomputing, 2023, 530: 150-164. DOI: 10.1016/j.neucom.2023.01.088
[11] YU G, CAI R, SU J, et al. U-YOLOv7: a network for underwater organism detection[J]. Ecological Informatics, 2023, 75: 102108. DOI: 10.1016/j.ecoinf.2023.102108
[12] HUA X, CUI X, XU X, et al. Underwater object detection algorithm based on feature enhancement and progressive dynamic aggregation strategy[J]. Pattern Recognition, 2023, 139: 109511. DOI: 10.1016/j.patcog.2023.109511
[13] XU X, LIU Y, LYU L, et al. MAD-YOLO: a quantitative detection algorithm for dense small-scale marine benthos[J]. Ecological Informatics, 2023, 75: 102022. DOI: 10.1016/j.ecoinf.2023.102022
[14] Terven J, Cordova-Esparza D. A comprehensive review of YOLO: from YOLOv1 to YOLOv8 and beyond[J]. arxiv preprint arxiv: 2304.00501, 2023.
[15] Al Muksit A, Hasan F, Emon M F H B, et al. YOLO-Fish: a robust fish detection model to detect fish in realistic underwater environment[J]. Ecological Informatics, 2022, 72: 101847. DOI: 10.1016/j.ecoinf.2022.101847
[16] CHEN L, ZHENG M, DUAN S, et al. Underwater target recognition based on improved YOLOv4 neural network[J]. Electronics, 2021, 10(14): 1634. DOI: 10.3390/electronics10141634
[17] LIU P, QIAN W, WANG Y. YWnet: A convolutional block attention-based fusion deep learning method for complex underwater small target detection[J]. Ecological Informatics, 2024, 79: 102401. DOI: 10.1016/j.ecoinf.2023.102401
[18] YU G, CAI R, SU J, et al. U-YOLOv7: a network for underwater organism detection[J]. Ecological Informatics, 2023, 75: 102108. DOI: 10.1016/j.ecoinf.2023.102108
[19] Fayaz S, Parah S A, Qureshi G J, et al. Intelligent underwater object detection and image restoration for autonomous underwater vehicles[J]. IEEE Transactions on Vehicular Technology, 2024, 73(2): 1726-1735. DOI: 10.1109/TVT.2023.3318629
[20] Talaat F M, Zain Eldin H. An improved fire detection approach based on YOLO-v8 for smart cities[J]. Neural Computing and Applications, 2023, 35(28): 20939-20954. DOI: 10.1007/s00521-023-08809-1
[21] ZHENG Z, WANG P, LIU W, et al. Distance-IoU loss: faster and better learning for bounding box regression[C]//Proceedings of the AAAI Conference on Artificial Intelligence, 2020, 34(7): 12993-13000.
[22] LI X, WANG W, WU L, et al. Generalized focal loss: Learning qualified and distributed bounding boxes for dense object detection[J]. Advances in Neural Information Processing Systems, 2020, 33: 21002-21012.
[23] LIN T Y, Dollár P, Girshick R, et al. Feature pyramid networks for object detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017: 2117-2125.
[24] LIU S, QI L, QIN H, et al. Path aggregation network for instance segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018: 8759-8768.
[25] ZHANG X, LIU C, YANG D, et al. Rfaconv: Innovating spatital attention and standard convolutional operation[J]. arxiv preprint arxiv: 2304.03198, 2023.
[26] Ioannou Y, Robertson D, Cipolla R, et al. Deep roots: improving CNN efficiency with hierarchical filter groups[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017: 1231-1240.
[27] GUO M H, LU C Z, LIU Z N, et al. Visual attention network[J]. Computational Visual Media, 2023, 9(4): 733-752. DOI: 10.1007/s41095-023-0364-2
[28] SUN Y, ZHENG W, DU X, et al. Underwater small target detection based on YOLOX combined with MobileViT and double coordinate attention[J]. Journal of Marine Science and Engineering, 2023, 11(6): 1178. DOI: 10.3390/jmse11061178
-
期刊类型引用(3)
1. 杜威，宁武，孟丽囡，陈雨潼. 基于改进YOLO的矿卡驾驶员疲劳检测算法. 现代电子技术. 2025(07): 126-131 . 
百度学术
2. 李其骎，杨明，任昊天，常皓亮，张小强，朱新宇. 基于深度学习的无人机识别方法现状与挑战. 航空工程进展. 2025(02): 1-11 . 百度学术
3. 水卯瑞. 基于改进的YOLOv7与暗通道算法的图像检测. 信息与电脑(理论版). 2023(10): 76-78 . 百度学术
其他类型引用(2)
计量
- 文章访问数: 179
- HTML全文浏览量: 36
- PDF下载量: 45
- 被引次数: 5
