Гібридне виявлення об’єктів на підводних зображеннях за низької видимості
DOI:
https://doi.org/10.33216/1998-7927-2026-304-6-67-72Ключові слова:
виявлення об’єктів, низька видимість, підводні зображення, фізично кероване навчанняАнотація
У дослідженні виконано багаторівневий аналіз задачі виявлення об'єктів на підводних та аерознімках, отриманих в умовах обмеженої видимості. Систематизовано фізичні причини деградації вхідного сигналу, зокрема залежне від довжини хвилі поглинання, розсіювання, нерівномірне освітлення та розмиття за низького контрасту; розглянуто форми подання ознак, здатні краще зберігати інформацію про об'єкти за низького контрасту, та формалізовано концептуальний гібридний підхід до надійного виявлення. Аналіз останніх досліджень свідчить, що детектори на основі YOLO, Faster R-CNN та трансформерів можуть втрачати точність за несприятливих умов спостереження, коли низькорівневі візуальні ознаки суттєво деградують, що знижує впевненість виявлення та збільшує кількість хибнопозитивних результатів. Для розв'язання цієї проблеми запропоновано концептуальну багатогілкову архітектуру, яка узгоджено поєднує орієнтоване на детектор покращення зображення, фізично обґрунтоване оцінювання деградації, механізми уваги та контексту, мультимасштабне об'єднання ознак і детектор реального часу на основі YOLO або RT-DETR. Гілку покращення передбачено оцінювати насамперед за її впливом на подальшу локалізацію об'єктів, а не лише за метриками візуальної якості. Експериментальну частину роботи свідомо обмежено формуванням еталонного базового рівня: модель YOLO11n навчено та оцінено на однокласовому наборі Common Objects Underwater (COU) для виявлення підводних технічних об'єктів. На відкладеній тестовій вибірці базова модель досягла Precision = 0.889, Recall = 0.832, mAP@0.50 = 0.888 та mAP@0.50:0.95 = 0.751. Ці значення характеризують лише базову модель YOLO11n і не є експериментальним підтвердженням повної гібридної архітектури. Відповідно, очікуваний внесок гілок покращення, фізичного оцінювання, уваги та об'єднання ознак сформульовано як гіпотези, що підлягають перевірці контрольованими абляційними експериментами за однакових розбиттів даних і протоколів навчання. Основними результатами роботи є формалізація концептуальної архітектури, визначення базового експериментального протоколу та специфікація стратегії валідації для подальших експериментів.
Посилання
1. Redmon J., Divvala S., Girshick R., Farhadi A. You Only Look Once: Unified, Real-Time Object Detection. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. Pp. 779–788. DOI: https://doi.org/ 10.1109/CVPR.2016.91
2. Wang C.-Y., Bochkovskiy A., Liao H.-Y. M. YOLOv7: Trainable Bag-of-Freebies Sets New State-of-the-Art for Real-Time Object Detectors. 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2023. Pp. 7464–7475. DOI: https://doi.org/ 10.1109/CVPR52729.2023.00721
3. Wang C.-Y., Yeh I.-H., Liao H.-Y. M. YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information. arXiv preprint arXiv:2402.13616. 2024. 17 p. DOI: https://doi.org/ 10.48550/arXiv.2402.13616
4. Wang A., Chen H., Liu L., Chen K., Lin Z., Han J., Ding G. YOLOv10: Real-time End-to-End Object Detection. arXiv preprint arXiv:2405.14458. 2024. 21 p. DOI: https://doi.org/ 10.48550/arXiv.2405.14458
5. Carion N., Massa F., Synnaeve G., Usunier N., Kirillov A., Zagoruyko S. End-to-End Object Detection with Transformers. Springer, 2020. Pp. 213–229. DOI: https://doi.org/ 10.1007/978-3-030-58452-8_13
6. Zhao Y., Lv W., Xu S., Wei X., Wang G., others. DETRs Beat YOLOs on Real-Time Object Detection. arXiv preprint arXiv:2304.08069. 2023. 14 p. DOI: https://doi.org/ 10.48550/arXiv.2304.08069
7. Li C., Guo C., Ren W., Cong R., Hou J., Kwong S., Tao D. An Underwater Image Enhancement Benchmark Dataset and Beyond. IEEE Transactions on Image Processing. 2020. Vol. 29. Pp. 4376–4389. DOI: https://doi.org/ 10.1109/TIP.2019.2955241
8. Jian M., Yang N., Tao C., Zhi H., Luo H. Underwater Object Detection and Datasets: A Survey. Intelligent Marine Technology and Systems. 2024. Vol. 2. P. 9 (23 p.). DOI: https://doi.org/ 10.1007/s44295-024-00023-6
9. Zhu P., Wen L., Du D., Bian X., Hu Q., Ling H. Vision Meets Drones: A Challenge. Springer, 2021. Pp. 444–460. DOI: https://doi.org/ 10.1007/978-3-030-11021-5_29
10. Tahir N. U. A., Tahir M., Ahn C. W., Hwang S. O. Object Detection in Autonomous Vehicles Under Adverse Weather: A Review of Traditional and Deep Learning Approaches. Algorithms. 2024. Vol. 17, No. 3. P. 103 (29 p.). DOI: https://doi.org/ 10.3390/a17030103
11. Kumar D., Muhammad N. Object Detection in Adverse Weather for Autonomous Driving Through Data Merging and YOLOv8. Sensors. 2023. Vol. 23, No. 20. P. 8471 (18 p.). DOI: https://doi.org/ 10.3390/s23208471
12. He K., Sun J., Tang X. Single Image Haze Removal Using Dark Channel Prior. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2011. Vol. 33, No. 12. Pp. 2341–2353. DOI: https://doi.org/ 10.1109/TPAMI.2010.168
13. Islam M. J., Edge C., Xiao Y., Luo P., Mehtaz M., Morse C., Enan S. S., Sattar J. Semantic Segmentation of Underwater Imagery: Dataset and Benchmark. 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). 2020. Pp. 1766–1773. DOI: https://doi.org/ 10.1109/IROS45743.2020.9340821
14. Meng X., Liu Y., Fan L., Fan J. YOLOv5s-Fog: An Improved Model Based on YOLOv5s for Object Detection in Foggy Weather Scenarios. Sensors. 2023. Vol. 23, No. 11. P. 5321 (16 p.). DOI: https://doi.org/ 10.3390/s23115321
15. Li Q., Shi H. YOLO-GE: An Attention Fusion Enhanced Underwater Object Detection Algorithm. Journal of Marine Science and Engineering. 2024. Vol. 12, No. 10. P. 1885 (22 p.). DOI: https://doi.org/ 10.3390/jmse12101885
16. Yan J., Zhou C., Zhang J., Feng H., Wang Y., Cui Y., Wang Z. Underwater Object Detection Algorithm Based on Attention Mechanism and Cross-Stage Partial Fast Spatial Pyramidal Pooling. Frontiers in Marine Science. 2022. Vol. 9. P. 1056300 (12 p.). DOI: https://doi.org/ 10.3389/fmars.2022.1056300
17. Ultralytics. Ultralytics YOLO11 Documentation. 2024. URL: https://docs.ultralytics.com/models/yolo11/ (accessed 16 May 2026).
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
