Unterwasserweiche Korallen-Detektion: SCoralNet für genaue und effiziente Annotation.

SCoralNet (auf Basis von Faster R-CNN) ist ein neuer Rahmen für die Unterwasser-Korallen-Detektion, der vorgeschlagen wurde, um verschiedene Korallenarten in Bildern automatisch zu lokalisieren und zu identifizieren, wodurch eine schnelle und detaillierte Annotation ermöglicht wird. Die Überwachung der Ausdehnung und Häufigkeit unterwasserlebender Korallen erfordert typischerweise die Annotation und Verarbeitung großer Mengen von Unterwasser-Korallenbildern. Die manuelle Annotation einer großen Anzahl von Bildern ist jedoch zeitaufwendig und arbeitsintensiv, und CNN-Klassifizierer liefern lediglich einfache Klassifizierungsannotierungen, ohne die feineren Details der Bilder zu erfassen. Die Detektionsleistung von SCoralNet wird durch die Integration von dilatierten Konvolutionen in das Backbone-Netzwerk verbessert. Um mehrskalige und mehrstufige Informationen von Korallenobjekten effektiv zu erfassen, wird zwischen dem Backbone und dem Detektionskopf ein sogenanntes NASFPN-Netzwerk (Neural Architecture Search Feature Pyramid Network) platziert. Seesaw Loss wird verwendet, um den Einfluss der langen Schwanzverteilung im Datensatz auf die Klassifizierungsgenauigkeit von SCoralNet zu reduzieren. CIoU-Loss dient zur Optimierung der Bounding-Box-Regression. Während der Inferenz wird Soft-NMS eingesetzt, um überflüssige Korallendetektionsboxen zu unterdrücken. Um die Wirksamkeit von SCoralNet zu bewerten, wurde ein Datensatz namens Coral-soft unter Verwendung realer Fotos häufiger Weichkorallenarten aus der Region Sanya in China erstellt. SCoralNet übertraf das ursprüngliche Faster R-CNN-Modell auf dem Coral-soft-Datensatz deutlich, wobei die mittlere Genauigkeit (mAP) um 45,68 % und die mAP75 um 59,2 % stieg. Darüber hinaus erreichte SCoralNet in Bezug auf die Gesamtleistung einige fortschrittliche Modelle.