城市可持续性的非线性转变:基于能值、地理信息系统、碳指标与神经网络的韧性临界点混合评估

《Sustainability》:Nonlinear Transitions in Urban Sustainability: A Hybrid Assessment of Resilience Tipping Points Using Emergy, GIS, Carbon Metrics, and Neural Networks

【字体: 大 中 小 】 时间:2026年07月02日 来源:Sustainability 4.1

编辑推荐:

  水下目标探测在海洋资源勘探与开发中发挥着至关重要的作用。然而,复杂的水下环境导致图像严重的色偏、模糊以及小目标信息损失,极大地制约了检测性能。为解决上述问题,研究人员将通道注意力与空间注意力模块(Channel Attention and Spatial At

  
水下目标探测在海洋资源勘探与开发中发挥着至关重要的作用。然而,复杂的水下环境导致图像严重的色偏、模糊以及小目标信息损失,极大地制约了检测性能。为解决上述问题,研究人员将通道注意力与空间注意力模块(Channel Attention and Spatial Attention Block, CASAB)注意力机制嵌入基于生成对抗网络(Generative Adversarial Network, GAN)的残差块中,以校正退化水下图像的色偏并提升其清晰度。针对水下小目标检测,研究人员选取MobileNetV2作为Faster R-CNN框架的骨干网络,并采用多尺度特征融合策略以减少重复下采样造成的特征损失。在检测头中,进一步融合坐标注意力(Coordinate Attention, CA)与平行空洞卷积,以抑制背景噪声并扩展特征提取的感受野。在Underwater Robot Professional Contest(URPC)数据集上的实验结果表明,所提方法在水下图像质量测度(Underwater Image Quality Measure, UIQM)、水下彩色图像质量评价(Underwater Colour Image Quality Evaluation, UCIQE)和自然图像质量评估器(Natural Image Quality Evaluator, NIQE)三项评估指标上分别取得10.06%、9.43%和12.29%的提升,同时平均精度均值(Mean Average Precision, mAP)提升7.81%,平均召回率(mRecall)提升8.57%。上述结果证明了各项改进措施的有效性。
**研究背景与问题**

水下目标检测是海洋资源开发与生态保护的重要技术基础。随着海洋机器人技术的快速发展,基于视觉的水下目标检测已成为一种经济高效的海洋探测手段。然而,复杂的水下环境导致图像对比度低、色偏严重,且小目标像素占比极低、背景干扰复杂,对检测算法构成严峻挑战。Jaffe-McGlamery理论模型指出,水下成像包含反射分量和散射分量,悬浮颗粒引起的散射效应导致图像模糊,水体的选择性光吸收则引发明显色偏——随着水深增加,长波长的红光优先被吸收,使得水下图像普遍呈现蓝绿色调。传统图像增强方法如直方图均衡化和小波变换基于视觉先验假设,难以应对复杂水下环境中的光照变化和严重色偏。基于深度学习的图像增强方法虽能恢复纹理细节,但很少关注海参、海胆等关键目标,忽略了物体的边缘特征,不利于下游检测任务。此外,现有水下小目标检测方法中,单次检测器易出现漏检误检;重复卷积和下采样操作逐渐减小特征图空间尺寸,削弱目标特征信息;标准卷积感受野狭窄,难以建立小目标的有效空间位置建模。因此,如何针对水下图像特点进行增强与检测的协同优化,成为亟待解决的关键问题。

**研究内容、结论与意义**

研究人员提出了一种融合水下图像增强与小目标检测的联合优化框架,发表于《Sustainability》期刊。该研究主要包含两个核心模块:一是基于残差块增强型CycleGAN(ResNet Block Enhanced-CycleGAN, RBE-CycleGAN)的水下图像增强算法,二是基于多尺度特征空洞卷积网络(Multi-Scale Feature Dilated Convolution Network, MSFDC-Net)的水下小目标检测算法。研究结论表明,RBE-CycleGAN能有效校正色偏、提升图像清晰度,为下游检测奠定基础;MSFDC-Net通过多尺度特征融合与注意力嵌入的空洞卷积模块,显著提升了小目标的检测精度与召回率。该研究对于推动水下视觉技术的发展、提升海洋资源勘探效率具有重要的理论价值与应用意义。

**关键技术方法**

研究采用的技术路线涵盖两大阶段。图像增强阶段以无配对的Enhancement of Underwater Visual Perception(EUVP)数据集为训练基础,构建基于CycleGAN架构的生成对抗网络,在生成器的残差块中嵌入CASAB注意力机制,实现通道与空间维度的联合特征选择。目标检测阶段以URPC和Detecting Underwater Objects(DUO)数据集为实验数据,采用预训练于ImageNet的MobileNetV2作为Faster R-CNN的骨干网络,引入特征金字塔网络(Feature Pyramid Network, FPN)思想进行多层次特征融合;在区域提议网络(Region Proposal Network, RPN)检测头中设计坐标注意力与平行空洞卷积的集成模块。训练采用Adam优化器,图像增强网络学习率初始为0.0002后线性衰减,检测网络采用先冻结骨干5轮再解冻训练200轮的迁移学习策略。

**研究结果**

**RBE-CycleGAN图像增强效果**。该部分通过主观视觉评估与客观定量指标验证增强性能。主观结果显示,增强后的图像有效校正了蓝绿色偏,提升了对比度,使海胆等目标的边缘纹理更加清晰可辨,星状轮廓与背景的颜色对比度显著提高。客观指标方面,在URPC和DUO数据集上,UIQM、UCIQE和NIQE三项指标均优于原始图像,验证了该方法对目标边缘纹理特征表达能力的增强作用。其中UIQM综合反映色彩丰富度与清晰度,UCIQE评价色彩饱和度与色调偏差,NIQE衡量自然图像质量与失真程度,RBE-CycleGAN在各项测试中均表现优异。

**MSFDC-Net目标检测效果**。该部分在URPC训练集(5543幅图像)和验证集(1200幅图像)上进行模型训练,以URPC测试集(800幅图像)和DUO测试集(1111幅图像)进行测试评估。与Mask R-CNN、SSD、RetinaNet及YOLO系列等主流算法的对比实验表明,MSFDC-Net在URPC和DUO数据集的mAP和mRecall指标上均达到最优性能。可视化结果显示,MSFDC-Net能够检测并识别更多的水下目标,边界框更为密集,与定量实验中召回率的提升相一致。此外,对比原始图像与增强图像的检测结果发现,图像增强预处理能有效校正色偏、扩大目标与背景的色彩差异,提升目标识别召回率;同时改善的整体清晰度有助于检测模型充分提取小目标的边缘纹理细节,进一步提高检测精度。

**消融实验验证**。该部分在URPC数据集上设计了四组对比方案以验证各模块有效性。仅引入多尺度特征融合策略(FPN)的实验组通过为检测头提供多尺度特征,有效缓解了重复下采样导致的像素损失,mAP达到0.67,相对基线提升4.62%,mRecall达0.74,相对提升5.71%,效果最为突出。仅嵌入平行空洞卷积与坐标注意力模块(RPN)的实验组通过扩大卷积感受野、丰富特征空间上下文信息,并利用坐标注意力机制加权强化特征图,提升了初始锚框生成的准确性。仅采用图像增强预处理策略(Enhanced)的实验组校正了水下图像色偏,有效缓解了目标与复杂背景融合导致的漏检,并增强了边缘纹理细节。同时整合三项改进的MSFDC-Net综合性能最优,验证了各模块的协同增效作用。

**讨论总结**

该部分系统阐述了模型性能提升的内在机理,并指出了现有研究的局限性。RBE-CycleGAN的性能增益主要源于嵌入的CASAB注意力设计:通道注意力分支通过全局平均池化与全局最大池化生成自适应通道权重,空间注意力分支通过多种池化操作计算像素权重,二者的联合作用使网络能够准确定位主导特征通道和关键目标像素区域。MSFDC-Net的整体性能提升则主要依靠专门设计的多尺度特征融合模块,该模块采用保留小目标边缘轮廓和纹理信息的中层特征进行跨层融合,有效补偿了水下小目标的特征表征不足。消融实验结果充分证明该策略能显著提升网络检测能力。

研究也承认存在若干局限:图像增强网络训练采用的EUVP数据集场景覆盖有限,在极端水下环境条件下泛化能力不足;目标检测网络虽采用多尺度特征融合,但未对卷积操作本身进行针对性改进,网络仍受限于感受野尺寸的不足,制约了性能的进一步突破。未来工作将探索覆盖更广水下场景的数据集以增强环境适应性,同时研究扩大卷积操作感受野的可行方案,以丰富各网络层的特征信息,进一步强化模型对水下目标的识别能力。

**研究结论翻译**

针对水下小目标检测任务中常见的色偏和模糊问题,研究人员采用RBE-CycleGAN有效缓解颜色失真、提升图像清晰度及边缘纹理特征质量,为下游目标检测奠定坚实基础,并减少了由色偏导致的漏检和背景干扰。为应对微小目标像素占比低和复杂背景干扰的挑战,研究人员基于Faster R-CNN改进MobileNetV2骨干网络,创建多尺度特征融合策略以融合包含小目标边缘纹理信息的中层特征,补充目标特征表征,减少下采样造成的小目标信息损失。针对区域提议网络头中标准卷积感受野受限的问题,研究人员采用坐标注意力机制,可为特征图分配自适应权重并抑制背景噪声干扰,同时构建目标信息的长程空间依赖性。此外,平行空洞卷积策略进一步扩展了空间感受野,丰富了目标的空间上下文信息,提升了模型识别目标的能力。

原始MobileNetV2模型具有82.37 × 106个可训练参数,权重文件大小为628.64 MB,单幅图像推理的GPU峰值内存占用为0.444 GB;而改进后的MSFDC-Net实现了20.21 × 106个可训练参数,权重文件大小为154.47 MB,单幅图像推理时GPU峰值内存占用为0.213 GB。通过优化骨干网络输出通道,将特征融合后的输出通道从原始的1280减少至256,大幅削减了RPN和ROI Head模块的参数数量。

实验结果表明,RBE-CycleGAN能够有效优化水下图像质量并良好校正现有色偏,消融实验进一步证明图像增强对目标检测性能具有积极贡献。所设计的MSFDC-Net减少了连续下采样导致的目标信息损失,扩大了标准卷积的感受野,坐标注意力机制构建了点间的长程空间依赖性,能够为目标区域补充空间位置信息并帮助区分前景目标与背景噪声。该设计最终提升了构建模型的整体检测精度。定量实验结果显示,RBE-CycleGAN在URPC数据集上使UIQM、UCIQE和NIQE分别提升10.06%、9.43%和12.29%,在DUO数据集上分别提升12.44%、9.62%和15.69%;同时,MSFDC-Net在URPC上使mAP和mRecall分别提升7.81%和8.57%,在DUO上分别提升3.08%和5.56%。

尽管上述改进有效提升了检测性能,所提方法仍存在一定局限性。图像增强网络基于非配对数据集训练,且复杂水下环境导致图像退化随水深和水域呈现多样化特征。由于模型仅在有限水下退化场景的EUVP数据集上训练,增强模块的泛化能力受到限制。未来工作中,研究人员将构建面向水下检测任务的更丰富的训练数据集,以进一步提升整体模型的泛化能力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号