A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Obstacle Detection for Unmanned Surface Vehicles by Fusion Refinement Network Detecção de obstáculos para veículos de superfície não tripulados pela Fusion Refinement Network

Weina ZHOU, Xinxin HUANG, Xiaoyang ZENG

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

Como uma espécie de veículo marítimo, os Veículos de Superfície Não Tripulados (USV) são amplamente utilizados nos campos militar e civil devido ao seu baixo custo, boa ocultação, forte mobilidade e alta velocidade. A detecção de obstáculos de alta precisão desempenha um papel importante na navegação autônoma do USV, o que garante seu posterior planejamento de trajetória. A fim de melhorar ainda mais o desempenho da detecção de obstáculos, propomos uma arquitetura codificador-decodificador chamada Fusion Refinement Network (FRN). A parte do codificador com uma estrutura de rede mais profunda permite extrair recursos visuais mais ricos. Em particular, uma camada de convolução dilatada é usada no codificador para obter uma grande variedade de características de obstáculos em ambientes marinhos complexos. A parte do decodificador atinge a fusão de recursos de múltiplos caminhos. Módulos de refinamento de atenção (ARM) são adicionados para otimizar recursos, e um algoritmo de fusão que pode ser aprendido chamado Módulo de fusão de recursos (FFM) é usado para fundir informações visuais. Os resultados da validação experimental em três conjuntos de dados diferentes com imagens marinhas reais mostram que o FRN é superior às redes de segmentação semântica de última geração na avaliação de desempenho. E o MIoU e o MPA do FRN podem atingir um pico de 97.01% e 98.37%, respectivamente. Além disso, o FRN conseguiu manter uma alta precisão com apenas 27.67 milhões de parâmetros, o que é muito menor do que a mais recente rede de detecção de obstáculos (WaSR) para USV.

Publicação
IEICE TRANSACTIONS on Information Vol.E105-D No.8 pp.1393-1400
Data de publicação
2022/08/01
Publicitada
2022/05/12
ISSN online
1745-1361
DOI
10.1587/transinf.2021EDP7254
Tipo de Manuscrito
PAPER
Categoria
Rede de Informação

autores

Weina ZHOU
  Shanghai Maritime University
Xinxin HUANG
  Shanghai Maritime University
Xiaoyang ZENG
  Fudan University

Palavra-chave