Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
StreakNet-Arch : une architecture réseau anti-diffusion pour l'imagerie radar LiDAR sous-marine
Created by
Haebom
Auteur
Xuelong Li, Hongjun An, Haofei Zhao, Guangying Li, Bo Liu, Xing Wang, Guanghua Cheng, Guojun Wu, Zhe Sun
Contour
Dans cet article, nous présentons StreakNet-Arch, un cadre de classification binaire en temps réel basé sur le LiDAR sous-marin (UCLR). StreakNet-Arch améliore la suppression de la diffusion en intégrant l'auto-attention et un nouveau mécanisme d'attention croisée à double branche (DBC-Attention). Les résultats de validation en environnement de bassin contrôlé montrent que StreakNet-Arch avec auto-attention ou DBC-Attention surpasse le filtrage passe-bande conventionnel et atteint des scores F1 plus élevés que les réseaux MP basés sur l'apprentissage et les CNN de taille et de complexité de modèle similaires. Les tests de performance en temps réel sur NVIDIA RTX 3060 montrent que le temps d'imagerie moyen est constant (54,84 ms) quelle que soit la fréquence d'images, tandis que les méthodes conventionnelles augmentent linéairement (58,1 257 ms). Cette étude fournit un ensemble de données ouvert contenant 2 695 168 données réelles de nuages de points 3D sous-marins. Grâce à des expériences de terrain en mer de Chine méridionale, elle atteint une erreur de 46 mm pour des cibles 3D à 1 000 m de profondeur et 20 m de distance. Le code source et les données sont disponibles à l'adresse https://github.com/BestAnHongjun/StreakNet .
Nous présentons un nouveau cadre efficace et précis (StreakNet-Arch) pour la détection d'objets 3D sous-marins en temps réel.
◦
Obtenir des performances améliorées en matière de suppression de la diffusion et de classification par rapport aux méthodes existantes en tirant parti des mécanismes d'auto-attention et d'attention DBC.
◦
Démontrer la praticité grâce à la vérification des performances dans des environnements sous-marins réels (erreur de 46 mm dans les résultats des tests en mer de Chine méridionale).
◦
Permettre des recherches de suivi en fournissant des ensembles de données publiques à grande échelle.
•
Limitations:
◦
Dégradation possible des performances de généralisation en raison des différences entre l'environnement du réservoir contrôlé et l'environnement expérimental de la mer de Chine méridionale.
◦
Une validation supplémentaire est nécessaire pour diverses conditions environnementales aquatiques.
◦
Actuellement limité à la classification binaire et doit être étendu à la classification multi-classes.
