Resumen

Al vehículo submarino autónomo (AUV) le resulta difícil reconocer objetivos similares al entorno al carecer de etiquetas de datos. Además, el complejo entorno submarino y la refracción de la luz hacen que el AUV no pueda extraer todas las características significativas del objetivo. En respuesta a los problemas anteriores, este trabajo propone una red de reconocimiento de objetivos con distorsión subacuática (UDTRNet) que puede mejorar las características de la imagen. En primer lugar, este trabajo extrae las características significativas de la imagen minimizando la pérdida de la estimación contrastiva del ruido informativo (InfoNCE). En segundo lugar, este trabajo construye la matriz de correlación dinámica para capturar la relación semántica espacial del objetivo y utiliza la matriz para extraer características semánticas espaciales. Por último, este trabajo fusiona las características significativas y las características semánticas espaciales del objetivo y entrena el modelo de reconocimiento del objetivo a través de la pérdida de entropía cruzada. Los resultados experimentales muestran que la precisión media (mAP) del algoritmo de este trabajo aumenta un 1,52% en el reconocimiento de imágenes borrosas bajo el agua.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:características semánticas espaciales, papel, características significativas, objetivo, vehículo submarino autónomo, imagen borrosa submarina, características significativas completas, relación semántica espacial, refracción de la luz, matriz de correlación dinámica
• Keywords:spatial semantic features, paper, significant features, target, autonomous underwater vehicle, underwater blurred image, complete significant features, spatial semantic relationship, refraction of light, dynamic correlation matrix