1、第 60 卷 第 2 期/2023 年 1 月/激光与光电子学进展0215001-1研究论文基于改进 CenterNet的水下目标检测算法王蓉蓉1，蒋中云2*1上海海洋大学信息学院，上海 201306；2上海建桥学院信息技术学院，上海 201306摘要 针对常规目标检测器检测水下目标时存在特征提取困难、目标漏检等问题，提出一种改进 CenterNet的水下目标检测算法。首先，使用高分辨率人体姿态估计网络 HRNet代替 CenterNet模型中的 Hourglass-104骨干网络，降低模型参数量，提升网络推理速度；其次，引入瓶颈注意力模块，在空间维度及通道维度进行特征增强，使网络关注重要目标
2、特征信息，提高检测精度；最后，构建特征融合模块，融合网络内部丰富的语义信息和空间位置信息，并利用感受野模块增强融合后的特征，提高网络多尺度目标检测能力。在 URPU 水下目标检测数据集上进行实验，与 CenterNet相比，所提算法的检测精度可达 77.4%，提升 1.5个百分点，检测速度为 7 frame/s，提升 35.6%，参数量为 30.4 MB，压缩 84.1%，同时与其他主流目标检测算法相比具有更高的检测精度，在水下目标检测任务上更具优势。关键词 机器视觉；水下目标检测；CenterNet；高分辨率网络；注意力机制；特征融合中图分类号 TP391 文献标志码 A doi：10.37
3、88/LOP212230Underwater Object Detection Algorithm Based on Improved CenterNetWang Rongrong1,Jiang Zhongyun2*1College of Information,Shanghai Ocean University,Shanghai 201306,China;2College of Information Technology,Shanghai Jian Qiao University,Shanghai 201306,ChinaAbstract Aiming at the problems of
4、 conventional detectors in detecting underwater objects,such as difficulty in feature extraction and missing detection of objects,an improved CenterNet underwater object detection method is proposed.First,a high resolution human posture estimation network HRNet is used to replace the Hourglass-104 b
5、ackbone network in CenterNet model to reduce the amount of parameters and improve the speed of network reasoning;then,the bottleneck attention module is introduced to enhance the features in the spatial and channel dimensions,and improve the detection accuracy;finally,a feature fusion module is cons
6、tructed to integrate the rich semantic information and spatial location information in the network,the fused features are processed by receptive field block to further improve the multi-scale object detection ability of the network.A comparison experiment is carried out on the URPU underwater object
7、 detection dataset.Compared with CenterNet network,the detection accuracy of the proposed algorithm can reach 77.4%,increased by 1.5 percentage points,the detection speed is 7 frame/s,increased by 35.6%,the amount of parameters is 30.4 MB,compressed by 84.1%.Compared with the mainstream object detec
8、tion algorithm,this algorithm also has higher detection accuracy,which has higher advantages in underwater object detection.Key words machine vision;underwater object detection;CenterNet;high resolution network;attention mechanism;feature fusion1引言水下目标检测是对水下场景中的目标进行精确定位与识别的技术，该技术因在海洋学、水下导航、渔业养殖等领域的广
9、泛应用，不断受到人们的关注1。然而水下环境复杂，并且受水下特殊成像环境的限制，水下光学图像往往存在噪声干扰多、对比度低、纹理特征模糊等问题，水下目标检测依旧面临着巨大的挑战2。收稿日期：2021-08-12；修回日期：2021-10-07；录用日期：2021-11-08；网络首发日期：2021-11-18基金项目：上海市属高校应用型本科试点专业建设项目（Z32004-17084）、上海市教育委员会一流本科专业建设专项项目（JYLB202002）通信作者：*jianqiao_0215001-2研究论文第 60 卷 第 2 期/2023 年 1 月/激光与光电子学进展早期传统水下目标检测算法，首先
10、利用滑动窗口提取水下图像中目标的候选区域，之后人工提取候选区域的目标特征（如 HOG、SIFT、Haar），最后利用分类器实现目标的识别。例如：文献 3 利用 Haar-like特征和多个级联的分类器实现鱼类目标的检测；文献4 根据水下图像颜色的均匀性和轮廓的锐度信息检测水下目标。但传统方法主要提取图像底层和中间层次特征，很难捕捉到具有代表性的语义信息，因此算法鲁棒性差，且基于滑动窗口提取候选区域的方式导致算法整体复杂度高、效率低下。随着深度学习的发展，基于卷积神经网络的目标检测算法在各项检测任务上取得先进的结果，主要包括 two-stage目标检测算法和one-stage 目标检测算法：tw
11、o-stage 目标检测算法将检测任务分两阶段执行，虽然拥有较高的检测精度但速度较慢，代表算法如 Faster R-CNN5系列；one-stage目标检测算法将目标检测任务看作单一回归问题，精度略低于 two-stage 算法，但拥有更快的检测速度，代表算法如 YOLO6系列、SSD7系列。目前，利用深度学习方法检测水下目标得到了广泛关注。例如：文献 8设计了一种深度可分离变形卷积改进 SSD 模型，提升模型在复杂水下环境下的目标检测能力；文献 9 精简YOLO 结构，利用迁移方法训练网络，克服样本集的限制，实现水下鱼类目标的实时、准确检测；文献 10利用多尺度训练、测试和细粒度特征结合等方
12、法改进YOLOv3 网络，实现声呐图像目标的检测；文献 11通过引入生成式对抗网络生成特定类目标的样本，缓解 YOLO 网络由于目标数量不平衡引起的检测精度降低的问题，实现水下目标的快速、精确检测。基于深度学习的水下目标检测器表现出良好的性能，但锚框是检测器常用的组件，锚框的使用使网络极易产生不均衡数量的正、负样本，降低检测精度。因此，本文将无锚框目标检测器 CenterNet12应用到水下目标检测任务。受特殊成像原理的限制，水下图像存在纹理特征信息模糊、对比度低及颜色失真等情况13，且水下目标尺度差异较大，对 CenterNet进行以下改进以提升其水下目标的检测性能：首先，引入高分辨率网络
13、HRNet14作为骨干网络，使网络保持较强特征提取能力的同时，降低模型参数量，提升检测速度；然后，融入瓶颈注意力模块（BAM）15，在空间及通道维度增强目标特征，提升网络对于水下模糊目标的特征提取能力；最后，构建特征融合模块（FFM），融合多分辨率特征图，并通过感受野模块（RFB）16进一步增强融合特征的鲁棒性和辨别性，提升模型对于水下多尺度目标的检测能力。2基于改进 CenterNet的水下目标检测算法通过改进骨干网络、引入 BAM、构建 FFM 等 3个方面改进原始 CenterNet，以提升水下目标检测的精度，同时提高模型推理速度。改进后的模型简略结构如图 1 所示，由 FA_HRNet
14、 骨干网络和检测模块两部分构成。输入图像首先经过 HRNet 的 4 个并行子网络，快速提取 4种不同分辨率的特征；之后，4种不同分辨率的特征传入 BAM，在空间及通道维度进行特征增强，抑制背景无用信息，增强有效目标信息；然后，经过BAM 增强后的 4种分辨率特征输入 FFM 进行特征融合，输出包含丰富语义信息与位置信息的融合特征，提升网络对于多尺度目标的鲁棒性；最后，融合特征传入检测模块通过 3个独立的分支生成关键点热图、位置偏移与目标宽高，并通过解码操作得到最终检测结果。2.1骨干网络改进CenterNet采用 Hourglass-10417作为骨干网络，虽然可以实现较高的检测精度，但该网
15、络结构复杂，参数量巨大，大大增加了网络的计算复杂度，降低了网络的检测速度。因此为提高算法的检测速度，同时维持较高的检测精度，从轻量化网络结构的角度出发，将骨干网络改为 HRNet。HRNet是一种高分辨率人体姿态估计网络，在整(a)BAMBAMBAMBAMkeypoint heatmapobject sizelocal offsetConvblockConvblockConvblock(b)(d)RFB(c)deform ConvConcatDeConvDeConvDeConv248C3C2C1deform Convdeform Convdeform Conv图 1模型结构。（a）HRNet；
16、（b）BAM；（c）FFM；（d）检测模块Fig.1Model structure.(a)HRNet;(b)BAM;(c)FFM;(d)detection module0215001-3研究论文第 60 卷 第 2 期/2023 年 1 月/激光与光电子学进展个网络中保持高分辨率的特征，而不是从低分辨率特征恢复到高分辨率特征，因此可以保留更准确的目标空间信息，并且网络内部通过执行多尺度融合来增强高分辨率特征，在不使用中间监督的情况下，具有较好的计算复杂度和较高的参数效率，网络结构如图 2所示。HRNet 包含 4 个并行的子网络，每个子网络由一系列标准卷积组成，同一子网络特征图分辨率不随网络深度的变化而改变，而并行子网络的特征图分辨率依次降低 1/2，同时通道数量增大 2倍。HRNet内部通过引入跨并行子网络的交换单元，使每个子网络重复地从其他并行子网络接收信息，聚合不同分辨率的特征得到增强的高分辨率特征，该特征在空间位置上更加准确。交换单元聚合不同分辨率特征的具体实现如图 2 虚 线 框 部 分 所 示，其 输 入 是s个 响 应 图 X1，X2，Xs，输出是输入响应图的聚合，即Yk
