EfficientDet进步水下物体监测深海网络应用探索

海洋生物和深海物体的识别与监测面临着巨大挑战，特别是在含有颗粒和杂质的盐水环境中。传统方法如CNN在这种自然对抗环境下表现不佳且计算成本高昂。本项目通过在Brackish数据集上实施和评估EfficientDet、YOLOv5、YOLOv8和Detectron2等各种物体检测模型，来解决这一问题。该数据集包含在能见度有限的Limfjorden水中捕获的鱼类、螃蟹、海星等生物的注释图像序列。研究比较了不同模型在准确性和推理时间上的效果，EfficientDet达到98.56%的mAP，显示出显著优势。此外，还提出了改进的BiSkFPN机制，通过跳跃连接提升了检测性能。