EMR-YOLO: Ein Multi-Scale Algorithmus zur Erkennung benthischer Organismen für degradierte Unterwasser-Visualisierungsmerkmale und rechnerisch eingeschränkte Umgebungen

Die Erkennung mariner benthischer Organismen (BOD) ist entscheidend für Unterwasserrobotik und das Management von Meeresbodenressourcen, leidet jedoch unter Bewegungsunschärfe, Perspektivverzerrung und Hintergrundgeräuschen in dynamischen Unterwasserumgebungen. Um visuelle Merkmalsverringerungen und rechnerische Einschränkungen zu adressieren, stellen wir in diesem Papier EMR-YOLO vor, eine auf Deep Learning basierende Multi-Scale BOD-Methode. Um die unterschiedlichen Größen und Morphologien benthischer Organismen zu handhaben, schlagen wir einen Effizienten Erkennungs-Spärlichkopf (EDSHead) vor, der einen einheitlichen Aufmerksamkeitsmechanismus und dynamische spärliche Operatoren kombiniert, um die räumliche Modellierung zu verbessern. Für eine robuste Merkmals-Extraktion unter Ressourcenbeschränkungen entwerfen wir ein leichtgewichtiges Multi-Branch Fusion Downsampling (MBFDown)-Modul, das cross-stage Merger und eine Multi-Branch-Architektur nutzt, um reichhaltige Gradienteninformationen zu erfassen. Zusätzlich wird ein Regionaler Zwei-Level Routing Aufmerksamkeitsmechanismus (RTRA) entwickelt, um Hintergrundgeräusche zu mindern und den Fokus auf Zielregionen zu schärfen. Die experimentellen Ergebnisse zeigen, dass EMR-YOLO Verbesserungen von 2,33 %, 1,50 % und 4,12 % in AP, AP50 und AP75 erzielt und damit modernste Methoden übertrifft, während die Effizienz erhalten bleibt.