DETR-Maritime模型：海上救援無人機小目標檢測研究

呂述杭 于營 徐金輝

摘要：目標檢測功能在海上人員搜救中扮演著至關(guān)重要的作用，特別是在復(fù)雜的海洋環(huán)境中，利用該功能可以對海面上的游泳者和船只進行精準定位。本文提出了一種專門設(shè)計和優(yōu)化的DETR-Maritime模型。此模型基于RT-DETR實時檢測架構(gòu)，并結(jié)合高效部分可重參數(shù)化塊，可以有效提升對小目標檢測的精度和實時處理能力。實驗結(jié)果顯示，與YOLOv8-L相比，該模型的參數(shù)量減少了67.7%，計算復(fù)雜度降低了73.9%，而mAP提升了2.6個百分點，達到0.544，可以為海上救援提供有效的支持。

關(guān)鍵詞：小目標檢測；海上救援；RT-DETR；SeaDronesSee

引言

在計算機視覺領(lǐng)域，目標檢測作為一項基礎(chǔ)技術(shù)，一直是研究的焦點。特別是在復(fù)雜的海上救援環(huán)境中，小目標檢測面臨重大挑戰(zhàn)，且直接關(guān)系到生命安全和救援效率。在海上救援中，無人機的應(yīng)用要求目標檢測模型不僅能夠?qū)崟r處理大量數(shù)據(jù)，還必須具有極高的精確性和穩(wěn)定性。

在小目標檢測研究中，卷積神經(jīng)網(wǎng)絡(luò)（CNN）和基于Transformer的模型是兩大主流研究方向。CNN架構(gòu)，特別是YOLO系列（如YOLO v5、YOLO v7和YOLO v8），憑借其快速處理速度和良好性能在實時任務(wù)中占據(jù)主導(dǎo)地位。然而，這些模型在處理小目標時通常存在一定局限性，例如在復(fù)雜海洋背景下容易丟失關(guān)鍵特征信息。

近年來，Transformer模型由于其出色的特征提取能力和長距離依賴處理能力而受到關(guān)注。盡管如此，這種模型通常在處理速度上無法滿足實時任務(wù)需求。RT-DETR[1]的提出，標志著在保持Transformer高精準度的同時，顯著提高處理速度的一大進步。對于海上救援中的無人機目標檢測來說，這是一個重要創(chuàng)新。

在海上救援小目標檢測的具體應(yīng)用中，研究面臨多種挑戰(zhàn)。例如，海面反射和波動可能導(dǎo)致目標檢測模型出現(xiàn)誤判或漏檢；在遙遠的海洋環(huán)境中，小目標的可見度極低；動態(tài)變化的環(huán)境對實時處理能力提出了更高的要求。本文旨在通過對RT-DETR主干網(wǎng)絡(luò)Resnet中basic block模塊的創(chuàng)新設(shè)計，有效解決上述問題。實驗結(jié)果表明，本文的方法不僅提升了模型對小目標的檢測能力，也保證了在復(fù)雜環(huán)境下的實時性和準確性，為未來執(zhí)行海上救援任務(wù)的無人機應(yīng)用提供了新視角和可能性。

本文的貢獻可以歸納為以下兩點：

一是提出了EPRepBlock（efficient partial reparametrizable block），這是一種創(chuàng)新型模塊，融合了部分卷積和可替換卷積的概念，在訓(xùn)練階段使用多分支結(jié)構(gòu)以提高準確度，在推理階段則通過分支融合以提高效率。該模塊還能夠處理具有不規(guī)則區(qū)域的輸入，如遮擋、數(shù)據(jù)缺失或尺寸不一的特征。

二是在Seadronesse Object Detection v2這一公共基準小目標檢測數(shù)據(jù)集上評估了本文提出的方法，并與多種最先進的方法進行了比較。實驗結(jié)果證明了本文方法在小物體檢測方面的卓越性能。

1. 相關(guān)工作

RT-DETR為一種基于Transformer的端到端對象檢測器，設(shè)計靈感來源于Carion等人[2]提出的DETR（檢測變換器），由于其獨特的特點而受到重視。DETR的顯著特點是消除了傳統(tǒng)檢測流程中的手動設(shè)計錨點（anchor）和非極大值抑制（NMS）組件，而采用二分匹配（bipartite matching）直接預(yù)測一對一的對象集合。通過采用這種策略，DETR簡化了檢測流程并緩解了由NMS引起的性能瓶頸。

然而，DETR面臨兩個主要問題：慢速的訓(xùn)練收斂和難以優(yōu)化的查詢。為解決這些問題，研究人員提出了許多DETR的變體。RT-DETR作為這些努力的結(jié)果，不僅在準確性和速度上超越了當前最先進的實時檢測器，而且不需要后處理，因此檢測器的推理速度沒有延遲，且保持穩(wěn)定，充分利用了端到端檢測流程的優(yōu)勢。這意味著RT-DETR在處理對象檢測任務(wù)時更加高效和準確，特別適用于需要快速準確檢測的應(yīng)用場景，如實時監(jiān)控或自動駕駛系統(tǒng)。

2. 方法

2.1 高效部分可重參數(shù)化塊

本文提出了一種命名為“高效部分可重參數(shù)化塊”（efficient partial reparametrizable block，EPRepBlock）的創(chuàng)新性殘差結(jié)構(gòu)。EPRepBlock整合了部分卷積（PConv）和可重參數(shù)化卷積（RepConv）的理念，分別源于最新的FasterNet（CVPR 2023）[3]和廣泛認可的RepVGG（CVPR 2021）。PConv利用特征圖間的冗余，僅在輸入通道的一部分上執(zhí)行卷積，這樣做能夠減少計算和內(nèi)存訪問需求。受RepVGG架構(gòu)的啟發(fā)，EPRepBlock在訓(xùn)練結(jié)束后，通過可重參數(shù)化技術(shù)將多個卷積和恒等映射融合為單一卷積核，以此提高推理階段的效率。本文將EPRepBlock這種理念應(yīng)用在了殘差網(wǎng)絡(luò)塊（ResNet blocks）中。

2.2 EPRepBlock的結(jié)構(gòu)與操作

EPRepBlock的主要特征是其訓(xùn)練期間的多分支架構(gòu)，通過實現(xiàn)y=x+g（x）+f（x）的形式，允許模型隱式集成多個簡化模型，類似于ResNet中的殘差學習方法。在EPRepBlock中，g（x）表示1×1卷積分支，而f（x）表示經(jīng)過部分卷積處理的特征圖。在維度匹配的情況下，本文利用恒等分支來保持信息流的完整性。

在推理時，為減少模型復(fù)雜度并提高效率，采用RepConv技術(shù)將訓(xùn)練時的多分支結(jié)構(gòu)重參數(shù)化為單一的3×3卷積層。具體轉(zhuǎn)換過程如下：

（1）分支融合：將1×1卷積和3×3卷積的BN層參數(shù)融合進卷積核和偏置中，得到W（0）和b（0）。

（2）偏置向量的合并：將各分支的偏置向量相加，得到最終的偏置b。

（3）卷積核的合并：將1×1卷積核填充為3×3大小，然后與3×3卷積核相加，得到最終的卷積核W。

2.3 EPRepBlock的計算優(yōu)化

EPRepBlock在設(shè)計上充分考慮了計算和內(nèi)存效率。利用PConv，僅對cp個通道執(zhí)行卷積操作，顯著降低了FLOPs，如FasterNet所建議的。選擇這些cp個通道是基于特征圖間的相似性，這一點在先前的工作中已經(jīng)被觀察到，但很少有工作像FasterNet那樣在簡化模型的同時充分利用這一點。由于在EPRepBlock中，未參與卷積操作的通道在后續(xù)PWConv層中仍然起作用，因此這些通道仍然被保留，使得信息能夠在所有通道間自由流動。

2.4 評測方法

交并比（intersection over union，IoU）構(gòu)成了衡量對象檢測模型性能的一個關(guān)鍵指標，特別是在計算平均精度（AP）和平均精度均值（mAP）方面。IoU是預(yù)測框（prediction frame）和目標框（target frame）之間的交集與并集的比值。一個高IoU值表明預(yù)測框與目標框高度重疊，意味著檢測精確。本文選擇mAP，mAP在IoU閾值為0.5～0.95（以0.05為步長），mAP@50，即單一IoU閾值0.5時的mAP，兩個指標評估了不同模型在驗證集上的表現(xiàn)。

3. 實驗

本節(jié)將詳細介紹本文的實驗設(shè)置與框架，包括實驗數(shù)據(jù)集、對比實驗設(shè)計。這些設(shè)置共同構(gòu)成了本文的嚴謹實驗架構(gòu)，目的是確保結(jié)果的準確性和可靠性，以及驗證和分析不同改進策略對模型性能的影響。

3.1 數(shù)據(jù)集

SeaDronesSee為一個大型數(shù)據(jù)集，目的在于幫助開發(fā)在海上場景中使用無人機進行搜索和救援的系統(tǒng)。該數(shù)據(jù)集全部來自2023年第一屆海事計算機視覺（MaCVi）研討會，本文使用的是該賽事中Object detection v2賽道的數(shù)據(jù)集。數(shù)據(jù)集包含14227幅圖像，分別包括8930張訓(xùn)練集圖像、1547張驗證集圖像和3750張測試集圖像。該任務(wù)的目標是檢測包括游泳者、船只、摩托艇、浮標和救生設(shè)備（救生衣/腰帶）在內(nèi)的物體類別。每幅圖像均配備了人工標記的真實標簽（Ground-truth）檢測框，算法模型須學習并推理這些真實物體的位置及其檢測框的大小。

3.2 實驗結(jié)果與分析

本文通過采用EPRepBlock改良了Resnet-18中的Basic Blocks，并將此模塊應(yīng)用于RT-DETR主干網(wǎng)絡(luò)Resnet的相應(yīng)殘差塊，從而開發(fā)出一種名為“DETR-Maritime”的新型結(jié)構(gòu)。本文比較了三種類型的算法模型：實時目標檢測模型、端到端目標檢測模型和實時端到端目標檢測模型，進行了共計6組的對比實驗。實驗結(jié)果如表1所示。

3.2.1 性能比較

相比當前流行的實時目標檢測模型如YOLO v5-L和YOLO v8-L，本文開發(fā)的DETR-Maritime在參數(shù)數(shù)量和計算復(fù)雜度方面實現(xiàn)了顯著降低。具體來說，DETR-Maritime的參數(shù)數(shù)量僅為14.10M，相比YOLO v5-L的53.17M和YOLO v8-L的43.63M，分別降低了73.5%和67.7%。在計算復(fù)雜度（GFLOPs）方面，DETR-Maritime僅需43.2GFLOPs，相比YOLO v5-L的135.3GFLOPs和YOLO v8-L的165.4GFLOPs，分別降低了68.1%和73.9%。

3.2.2 精度提升

在目標檢測精度方面，DETR-Maritime在驗證集上的平均精度均值（mAP）和mAP@50值分別達到0.544和0.869，比RT-DETR-R18和RT-DETR-L等其他實時端到端目標檢測模型高出0.12和0.2個百分點（AP50）。與端到端目標檢測器Faster-RCNN相比，DETR-Maritime在AP50上的提升尤為顯著，達到了197%。

3.2.3 綜合效率

雖然DETR-Maritime的幀率（FPS）為39.37，略低于YOLO系列模型，但考慮到其較低的計算復(fù)雜度和參數(shù)數(shù)量，這一表現(xiàn)顯示了在實時性和精度之間取得了良好的平衡。相比RT-DETR-R18和RT-DETR-L，DETR-Maritime在保證較高幀率的同時，實現(xiàn)了更高的檢測精度。

結(jié)語

本文開發(fā)了一種新型模塊EPRepBlock，并將其應(yīng)用于RT-DETR結(jié)構(gòu)，構(gòu)建出名為DETR-Maritime的海上救援模型。該模型作為高精度實時端到端檢測器，在精度上超越了現(xiàn)有主流目標檢測模型，且無須額外訓(xùn)練數(shù)據(jù)。盡管這種創(chuàng)新結(jié)構(gòu)在理論和實驗方面取得了顯著成果，但在實際應(yīng)用中面臨的挑戰(zhàn)，特別是在不同環(huán)境條件下的魯棒性和適應(yīng)性，仍須進一步驗證。例如，在極端天氣條件或復(fù)雜海域背景下，模型的檢測精度和實時性可能會受到影響。未來的研究可以探索如何優(yōu)化模型結(jié)構(gòu)，以適應(yīng)更廣泛的應(yīng)用場景，包括不同類型的海上活動和不同的海洋環(huán)境。

參考文獻：

[1]Lv WY，Xu SL，Zhao Y，et al.Detrs beat YOLOs on real-time object detection[EB/OL].（2023-07-06）[2024-01-20].https：//arxiv.org/abs/2304.08069.

[2]Carion N，Massa F，Synnaeve G，et al.End-to-end object detection with transformers[C]//European conference on computer vision.Cham：Springer International Publishing，2020：213-229.

[3]Chen J，Kao S，He H，et al.Run，Don't Walk：Chasing Higher FLOPS for Faster Neural Networks[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.2023：12021-12031.

作者簡介：呂述杭，本科，研究方向：計算機深度學習目標檢測；于營，博士研究生，副教授，研究方向：語義分割、目標檢測；徐金輝，本科，研究方向：計算機深度學習目標檢測。

基金項目：海南省院士創(chuàng)新平臺科研專項（編號：YSPTZX202144）；海南省自然科學基金項目（編號：621QN270）；海南省高等學校教育教學改革研究項目（編號：Hnjg2023ZD-44）。