基于深度学习的水面无人艇目标检测算法综述

随着人工智能的发展,水面无人艇可代替人工进行危险任务作业,目标检测是其完成自主探测的核心技术。深度学习技术克服了人工特征提取精度低、通用性差等局限性,已成为图像处理的主流方法。 首先,对当前基于深度学习的目标检测算法的发展现状进行了全面总结,对算法分类进行了详细的定义,并指出了不同类型算法的优缺点及适用场景;然后,分析了无人艇水面目标检测技术的研究现状,指出了各类深度学习工作的贡献、优势和局限性;最后,总结了面向水面无人艇的深度学习目标检测算法中亟需解决的关键科学问题,并对可行的方案以及该应用研究领域的未来发展做了进一步的展望。     

基于深度学习的声呐图像目标检测系统

声呐图像目标检测是实现水下勘探、海底救援、敌对目标侦查等任务的重要环节,深度学习相关技术的突破为该领域的发展带来了新的机遇。基于深度学习的声呐图像目标检测算法性能优于传统方法,然而相关的系统性研究与应用仍然不足。鉴于此,利用深度学习模型数据驱动的优势设计了一种声呐图像目标检测系统,以满足实际应用对系统精度、速度、可移植性、可扩展性、部署环境的需求。该系统由数据集生成、算法模型训练与测试、模型部署应用 3 个子系统组成,应用于水下可疑目标探测任务,实验结果表明：所实现的目标检测系统在测试数据上和实际应用中均具有良好的性能。     

基于深度学习的水下光学图像超分辨率重建综述

图像超分辨率重建旨在从低分辨率图像中生成包含高频细节的高分辨率图像。随着近年来人工智能的快速发展，基于深度学习的超分辨率重建算法取得了突破性进展。然而，水下光学图像通常会产生严重的颜色失真、细节缺失、对比度下降与模糊等多种退化问题，重建难度远高于常规的自然光学图像。目前尚未有文献对基于深度学习的水下光学图像超分辨率重建进行系统性综述。首先，对自然图像退化方式和数据集进行分类总结，结合国内外最新研究现状将基于深度学习的单幅图像超分辨率重建算法分为针对一般退化、已知(非盲)多种退化、未知(盲)多种退化 3 个方面进行详细总结，为水下应用场景提供参考。然后， 介绍了水下光学图像退化方式，归纳了常见的公开数据集，总结并分析了水下光学图像超分辨率重建的最新进展。最后，对该领域未来可能的发展趋势进行了展望。