15、论文阅读：使用反向多类Adaboost与深度学习的水下目标检测

前言

近年来，基于深度学习的方法在标准目标检测方面取得了令人瞩目的效果。然而，这些方法在应对水下目标检测时能力不足，原因在于以下挑战：(1) 在实际应用中，目标通常较小且图像模糊；(2) 水下数据集及实际应用中的图像伴随异质性噪声。为了解决这两个问题，我们首先提出了一种新颖的神经网络架构，即样本加权超网络 (SWIPENet)，用于小目标检测。SWIPENet由高分辨率和语义丰富的超特征图组成，可以显著提高小目标检测的准确性。此外，我们提出了一种新颖的样本加权损失函数，用于对SWIPENet中的样本权重建模，并使用一种新颖的样本重加权算法——Invert Multi-Class Adaboost(IMA)，以减少噪声对SWIPENet的影响。在URPC2017和URPC2018两个水下机器人抓取比赛数据集上的实验表明，提出的SWIPENet+IMA框架在检测准确性上优于多种先进的目标检测方法。

介绍

水下目标检测旨在定位和识别水下场景中的物体。由于在海洋学、水下导航 以及水产养殖等领域的广泛应用，这一研究持续受到关注。然而，由于复杂的水下环境和光照条件，水下目标检测仍然面临挑战。

基于深度学习的目标检测系统在各种应用中已展示出良好的性能，但在水下目标检测方面仍显不足。原因首先在于水下检测数据集稀缺，且现有数据集和实际应用中的目标通常较小。目前的基于深度学习的检测器无法有效检测这些小目标（见图1示例）。其次，现有水下数据集和实际应用中的图像往往杂乱不堪。在水下场景中，波长相关的吸收和散射会显著降低图像质量，导致诸如可见度下降、对比度弱以及颜色变化等问题，为检测任务带来了诸多挑战。

为了解决这些问题，我们提出了一种名为样本加权超网络 (SWIPENet) 的深度神经网络，通过充分利用多种超特征图来提升小目标检测的效果。此外，我们引入了一种样本加权损失函数，并结合反向多类Adaboost (IMA) 算法，减少噪声对SWIPENet特征学习的影响。

本文的其余部分结构如下：第二节简要介绍相关工作；第三节描述SWIPENet的结构和样本加权损失；第四节介绍反向多类Adaboost算法；第五节报告了该方法在URPC2017和URPC2018两个水下数据集上的实验结果。

相关工作

水下目标检测