基于UC RCNN的水下垃圾检测算法

摘要

针对复杂水下环境中图像边缘弥散、目标对比度低，以及不同成像退化程度下统一边缘补偿强度适配性不足等问题，提出一种基于改进Cascade RCNN的水下垃圾检测算法UC RCNN。该算法以PartialNet为骨干网络，在其四个特征提取阶段末端依次嵌入自适应边缘增强模块AEEB和通道-空间联合注意力模块SimpleCSA,AEEB根据输入图像的全局统计信息和边缘响应生成阶段性动态系数动态调节结构信息的补偿强度，以提高不同退化程度下目标边缘特征的表达能力；SimpleCSA从通道和空间两个维度对增强后的特征进行重标定，以降低复杂背景响应的干扰。在Trash-ICRA19数据集上的实验结果表明，所提方法的AP₅₀、AP₇₅、mAP和AR分别达到92.9%、80.5%、71.5%和74.4%，其中mAP较原始Cascade RCNN提高9.0%，并在多类主流检测方法对比中取得较优的检测性能。

关键词

水下垃圾检测 / Cascade RCNN / 目标检测 / 自适应边缘增强 / 通道-空间注意力