为提高复杂海洋环境中无人机自主降落时分割目标的实时性和精确性,研究主干网络和浅深层特征对分割算法性能的影响问题,基于DeepLabV3+框架建立一种基于主干网络浅深层特征的无人机海上分割(shallow and deep features of backbone,SDFB...为提高复杂海洋环境中无人机自主降落时分割目标的实时性和精确性,研究主干网络和浅深层特征对分割算法性能的影响问题,基于DeepLabV3+框架建立一种基于主干网络浅深层特征的无人机海上分割(shallow and deep features of backbone,SDFB)算法。首先,针对风浪扰动降低目标稳定性的问题,优化MobileNetV2结构提出一种特征提取方法,解决了算法无法处理短时间目标变化较大图像的问题;然后,针对深层特征输出通道数较多且存在不均匀分布大气湍流噪声的问题,利用本地全局信息选择性地聚合特征,提出一种特征筛选机制,剔除冗余通道的同时解决了算法对环境噪声敏感度高的问题;其次,针对光照不匀降低目标边界清晰度问题,从浅层空间维度和深层通道维度中提取轮廓信息建立一种并行轮廓学习机制,解决了算法利用轮廓特征效率低的问题;最后,针对障碍物遮挡破坏目标特征完整性问题,融合优化后的条带池化建立一种特征融合机制,解决了算法无法联系离散分布特征问题。实验表明,SDFB算法的实时性和精确性均高于其他算法,能够更好地适应海上场景无人机分割目标需求。展开更多
文摘为提高复杂海洋环境中无人机自主降落时分割目标的实时性和精确性,研究主干网络和浅深层特征对分割算法性能的影响问题,基于DeepLabV3+框架建立一种基于主干网络浅深层特征的无人机海上分割(shallow and deep features of backbone,SDFB)算法。首先,针对风浪扰动降低目标稳定性的问题,优化MobileNetV2结构提出一种特征提取方法,解决了算法无法处理短时间目标变化较大图像的问题;然后,针对深层特征输出通道数较多且存在不均匀分布大气湍流噪声的问题,利用本地全局信息选择性地聚合特征,提出一种特征筛选机制,剔除冗余通道的同时解决了算法对环境噪声敏感度高的问题;其次,针对光照不匀降低目标边界清晰度问题,从浅层空间维度和深层通道维度中提取轮廓信息建立一种并行轮廓学习机制,解决了算法利用轮廓特征效率低的问题;最后,针对障碍物遮挡破坏目标特征完整性问题,融合优化后的条带池化建立一种特征融合机制,解决了算法无法联系离散分布特征问题。实验表明,SDFB算法的实时性和精确性均高于其他算法,能够更好地适应海上场景无人机分割目标需求。
