CAAI Artificial Intelligence Research·9月2日 · 周三论文农业遥感与作物表型阅读 1
Underwater Small Object Detection: A Survey
Peixian Zhuang · Yuchun Wang · Yihang Wang 等 8 人
论文解读
0未达精选线
速览
综述水下光学图像中的小目标检测，梳理问题、数据集、算法，并展望未来方向。
方法
系统综述传统机器学习与深度学习算法，分析数据增强、多尺度融合、注意力机制等改进策
发现
水下小目标检测面临目标特征弱与图像退化双重挑战，深度学习改进策略是主流。
机会点
可借鉴水下小目标检测方法，应用于水产养殖中的鱼苗或病害监测，探索轻量化模型与数据增强技术。
影响力0
信息增量0
专业深度0
信源权威0
时效性0
该论文主题为水下小目标检测，与三农、农业信息化等领域无直接关联，不进入每日精选。
原文摘要
水下小目标检测是计算机视觉与水下成像探测交叉领域的新兴核心技术之一，旨在实现对水下环境中微弱、小型目标的高效精准检测与识别，已广泛应用于水生生物检测、矿产资源勘探等领域。其中，基于光学图像的水下目标检测方法凭借其高分辨率和良好的灵活性，在水下生物检测、识别等场景中展现出显著优势。然而，目前关于水下小目标检测的现有研究尚缺乏较为全面的综述。为弥补这一不足，本文对水下光学图像中的小目标检测进行了系统性综述。首先，在问题与数据层面，全面梳理了水下小目标检测面临的具体问题，并将其划分为两类：水下小目标自身固有特性以及水下图像退化特性。随后，对现有16个典型数据集进行了详细整理与分析。其次，在方法层面，从传统机器学习和深度学习两个视角系统总结了现有水下小目标检测算法，并从数据增强与预处理、多尺度特征融合、注意力机制引入、损失函数优化以及轻量化设计五个方面对基于深度学习的改进策略进行了深入剖析。最后，指出了当前水下小目标检测所面临的挑战，并探讨了未来潜在的发展方向，旨在为后续相关研究提供有价值的参考。