
-
生物通官微
陪你抓住生命科技
跳动的脉搏
一种用于海洋物体检测与分类的新型混合量子膨胀卷积克罗内克网络(QDCKN)
《Scientific Reports》:A novel hybrid quantum dilated convolutional Kronecker network (QDCKN) for marine object detection and classification
【字体: 大 中 小 】 时间:2026年07月01日 来源:Scientific Reports 4.9
编辑推荐:
摘要水下物体的定位与识别颇具挑战性,因为水下图像通常亮度较低、水质浑浊,且背景模糊不清。尽管存在这些缺陷,物体检测和计算机视觉技术仍在海洋生物学领域得到广泛应用,用于在水下环境中快速高效地进行物体检测与处理。为克服这些限制,本文提出了一种新型混合框架——量子(概念)扩张卷积克罗内
水下物体的定位与识别颇具挑战性,因为水下图像通常亮度较低、水质浑浊,且背景模糊不清。尽管存在这些缺陷,物体检测和计算机视觉技术仍在海洋生物学领域得到广泛应用,用于在水下环境中快速高效地进行物体检测与处理。为克服这些限制,本文提出了一种新型混合框架——量子(概念)扩张卷积克罗内克网络(QDCKN),该框架将受量子理论启发的扩张卷积、模糊不确定性建模以及具有克罗内克结构特征压缩技术整合在一个数学上相互关联的架构中。该框架采用两阶段集成分析方法:首先通过萨维茨基-戈莱滤波对图像进行预处理,再利用YOLOv3进行物体检测,随后通过QDCNN–模糊深度克罗内克网络(DKN)模块对不同区域进行分类。与传统将特征提取与分类分开处理的办法不同,该方法实现了受量子理论启发的特征表示、基于模糊逻辑的不确定性处理以及结构化特征压缩之间的协同作用,从而能够在非均匀照明、物体遮挡和噪声存在的环境下实现可靠的物体识别。在所测试的数据集(水下物体检测数据集)中的实验结果表明,QDCKN的最大分类准确率为93.40%,精确率为92.20%,召回率为94.60%,性能优于SA-FPN、MarineDet、mResNet和EDR等算法。实验分析及消融实验进一步证明,该框架有助于在复杂的水下环境中提升识别性能与稳定性。