EfficientDet优化水下物体检测：DeepSeaNet的创新之路

海洋动物和深水下物体在水生生物安全监测中面临着独特的识别难题。当水体中存在颗粒和杂质的盐水时，传统方法如卷积神经网络（CNN）在这种自然对抗环境中表现不佳且计算成本高昂。本项目采用了Brackish数据集，该数据集是一个经过注释的水下数据集，包含在能见度有限的Limfjorden水中捕获的鱼类、螃蟹、海星等水生动物的图像序列。研究的主要目标是在同一数据集上实施和评估不同对象检测模型，包括EfficientDet、YOLOv5、YOLOv8和Detectron2。对比结果显示，EfficientDet（98.56% mAP）在准确性和推理时间方面优于其他模型，如YOLOv3（31.10% mAP）、YOLOv4（83.72% mAP）、YOLOv5（97.6% mAP）、YOLOv8（98.20% mAP）和Detectron2（95.20% mAP）。此外，为进一步提高性能，我引入了一种改进的BiSkFPN机制，该机制具有带跳跃连接的BiFPN颈部，进一步增强了模型的特征提取能力。通过这些创新，DeepSeaNet在水下物体检测中展示出卓越的效率和精度，为海洋生物研究提供了更可靠的工具。