基于生成性退化模拟与硬样本学习的水下物体检测方法研究

《Scientific Reports》：An underwater object detection method based on generative degradation simulation and hard-sample learning

　　

摘要

水下图像受到光谱衰减、颗粒散射和非均匀照明的影响，因此常常出现颜色偏移、对比度降低、边缘模糊以及局部变暗的现象。现有的公共数据集对图像退化类型和程度的覆盖范围有限，而从连续视频中提取帧会引入许多相似的背景，这使得检测模型难以充分学习复杂水域中物体的变化。为了解决这些问题，提出了一种基于生成性退化模拟和硬样本学习的水下物体检测方法，称为GDH-Det。该方法从真实图像中提取与水色、浊度和模糊程度相关的退化信息。条件扩散网络将这些信息与边界框掩码相结合，生成具有连续变化强度的退化图像，并通过对象区域的结构约束和基于检测的可信度分数来筛选适合训练的候选样本。在检测器训练过程中，样本的难度通过分类不确定性、定位偏差和扰动响应来计算，采样概率则由生成可信度分数和训练周期共同决定，从而让难度较大且可信度较高的样本获得更多训练机会。退化条件还用于多尺度特征计算，而配对特征损失则保持了真实图像中对象区域与其对应生成图像之间的类别相关信息。实验在四个公共数据集URPC2020、DUO、UODD和Brackish上进行，GDH-Det的mAP@0.5值分别为85.3%、79.6%、66.2%和84.7%。随着退化程度的增加，GDH-Det的性能下降幅度较小。在退化程度为5时，URPC2020上的mAP@0.5仍保持在74.8%，比AGW-YOLOv8高出6.7个百分点。在消融研究中发现，与仅使用真实样本训练的基线方法相比，GDH-Det的整体性能提升了4.9个百分点。GDH-Det包含3180万个参数，每张图像的推理时间约为18.7毫秒。实验结果表明，该方法在浑浊、光线不足、物体密集且部分遮挡的场景中仍能保持较高的检测精度，并且在复杂的水下成像条件下表现出良好的适应性。