基于改进RetinaNet网络的水下机器人目标检测与实验OA北大核心CSTPCD

针对目前水下机器人目标检测算法存在图像退化严重和目标识别率低的问题,提出了一种融合改进RetinaNet和注意力机制的水下目标检测算法。首先,把RetinaNet骨干网络替换成DenseNet网络,保留了更多目标特征并减少了参数量。其次,替换初始卷积为深度分离可变形卷积,从而大大减少了模型的参数量,提高了模型的运算速度。最后,引入CBAM注意力模块,利用CBAM模块在空间和通道2个维度加强特征,减少了水下复杂环境对目标检测的干扰。水下机器人抓取实验结果表明,与初始的RetinaNet算法相比,改进后的算法mAP值可达81.9%,参数量为56.8 MB,检测速度为16.8 f/s,在水下目标检测方面性能优异。