摘要

SCoralNet（基于Faster R-CNN）是一种新型的水下珊瑚检测框架，旨在自动定位并识别图像中的不同珊瑚物种，从而实现快速且细致的标注。水下珊瑚覆盖率与丰度的监测通常需要对大量水下珊瑚图像进行标注与处理。然而，人工标注大量图像不仅耗时费力，且传统的卷积神经网络（CNN）分类器仅能提供简单的分类标签，难以捕捉图像中的精细细节。SCoralNet通过在主干网络中引入空洞卷积（dilated convolutions），显著提升了检测性能。为有效捕获珊瑚目标的多尺度、多层次特征信息，该框架在主干网络与检测头之间引入了一种名为NASFPN的颈部网络结构。为缓解数据集长尾分布对分类器准确率的影响，SCoralNet采用Seesaw Loss进行优化；同时，采用CIoU损失函数以提升边界框回归的精度。在推理阶段，通过应用Soft-NMS算法抑制冗余的珊瑚检测框，进一步提高检测结果的准确性。为评估SCoralNet的有效性，研究团队基于中国三亚地区常见软珊瑚物种的真实照片，构建了一个名为Coral-soft的数据集。实验结果表明，SCoralNet在Coral-soft数据集上的表现显著优于原始Faster R-CNN模型，平均精度均值（mAP）提升了45.68%，mAP75指标提高了59.2%。此外，SCoralNet在整体性能上也超越了部分先进的检测模型，展现出更强的实用性与优越性。