Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phát hiện mục tiêu dưới nước dựa trên học củng cố và tối ưu hóa bầy Karakoum
Tóm tắt
Hình ảnh quang học dưới nước tạo ra những hình ảnh có độ phân giải cao và thông tin phong phú, do đó có những ưu điểm nổi bật trong việc phát hiện mục tiêu dưới nước ở khoảng cách ngắn. Tuy nhiên, các tình huống ánh sáng yếu và tạp âm cao đặt ra những thách thức lớn trong phân tích hình ảnh và video dưới nước. Để cải thiện độ chính xác và khả năng chống nhiễu trong việc phát hiện biên của hình ảnh mục tiêu dưới nước, một phương pháp phát hiện biên mục tiêu dưới nước dựa trên tối ưu hóa bầy Karakoum và học củng cố được đề xuất trong bài báo này. Đầu tiên, khái niệm học củng cố được tích hợp vào chuyển động của các con kiến nhân tạo, và một chiến lược cảm nhận bán kính biến đổi được đề xuất để tính toán xác suất chuyển tiếp của từng pixel. Các phương pháp này nhằm mục đích tránh việc không phát hiện và phát hiện sai một số pixel ở các biên hình ảnh. Thứ hai, một chiến lược bầy kiến hai quần thể được đề xuất, trong đó quá trình tìm kiếm xem xét cả khả năng tìm kiếm toàn cầu và tìm kiếm cục bộ. Kết quả thực nghiệm cho thấy thuật toán có thể trích xuất hiệu quả thông tin đường viền của các mục tiêu dưới nước và duy trì tốt kết cấu hình ảnh, đồng thời có hiệu suất chống can thiệp lý tưởng.
Từ khóa
#hình ảnh quang học dưới nước #phát hiện mục tiêu #học củng cố #tối ưu hóa bầy Karakoum #xử lý hình ảnh dưới nước.Tài liệu tham khảo
Bonin-Font, F., Oliver, G., Wirth, S., Massot, M., Negre, P., and Beltran, J., 2015. Visual sensing for autonomous underwater exploration and intervention tasks. Ocean Engineering, 93: 25–44.
Chuang, M., Hwang, J., and Williams, K., 2016. A feature learning and object recognition framework for underwater fish images. IEEE Transactions on Image Processing, 25 (4): 1862–1872.
Dawson, L., and Stewart, I., 2014. Accelerating ant colony optimization-based edge detection on the GPU using CUDA. 2014 IEEE Congress on Evolutionary Computation. Beijing, 1736–1743.
Deng, W., Xu, J. J., and Zhao, H. M., 2019. An improved ant colony optimization algorithm based on hybrid strategies for scheduling problem. IEEE Access, 7: 20281–20292.
Fatan, M., Daliri, M., and Shahri, A., 2016. Underwater cable detection in the images using edge classification based on texture information. Measurement, 91: 309–317.
Gao, Y. Q., Guan, H. B., Qi, Z. W., Hou, Y., and Liu, L., 2013. A multi-objective ant colony system algorithm for virtual machine placement in cloud computing. Journal of Computer and System Sciences, 79 (8): 1230–1242.
Kheirinejad, S., Hasheminejad, S., and Riahi, N., 2018. Maxmin ant colony optimization method for edge detection exploiting a new heuristic information function. International Conference on Computer and Knowledge Engineering. Mashhad, 12–15.
Kober, J., Bagnell, J., and Peters, J., 2013. Reinforcement learning in robotics: A survey. International Journal of Robotics Research, 32 (11): 1238–1274.
Lewis, F., and Vrabie, D., 2009. Reinforcement learning and adaptive dynamic programming for feedback control. IEEE Circuits and Systems Magazine, 9 (3): 32–50.
Li, Q., Sun, X., Dong, J. Y., Song, S. Q., Zhang, T. T., Liu, D., et al., 2020. Developing a microscopic image dataset in support of intelligent phytoplankton detection using deep learning. ICES Journal of Marine Science, 77 (4): 1427–1439.
Lin, Y. H., Chen, S. Y., and Tsou, C. H., 2019. Development of an image processing module for autonomous underwater vehicles through integration of visual recognition with stereoscopic image reconstruction. Marine Science and Engineering, 7 (4): 107–149.
Liu, F., Wei, Y., Han, P. L., Yang, K., Lu, B., and Shao, X. P., 2019. Polarization-based exploration for clear underwater vision in natural illumination. Optics Express, 27 (3): 3629–3641.
Liu, X. C., and Fang, S. P., 2015. A convenient and robust edge detection method based on ant colony optimization. Optics Communications, 353: 147–157.
Lu, D. S., and Chen, C. C., 2008. Edge detection improvement by ant colony optimization. Pattern Recongnition Letters, 29 (4): 416–425.
Mnih, V., Kavukcuoglu, K., Silver, D., Rusu, A. A., Veness, J., Bellemare, M. G., et al., 2015. Human-level control through deep reinforcement learning. Nature, 518 (7540): 529–533.
Montague, P., 1999. Reinforcement learning: An introduction, by Sutton, R. S., and Barto, A. G. Trends in Cognitive Sciences, 3 (9): 360–360.
Moreno, R., Puig, D., Julia, C., and Garcia, M., 2009. A new methodology for evaluation of edge detectors. IEEE International Conference on Image Processing. Cairo, 2157–2160.
Nasution, T., Zarlis, M., and Nasution, M., 2017. Optimizing robinson operator with ant colony optimization as a digital image edge detection method. International Conference on Information and Communication Technology. Medan, 930012034.
Nezamabadi-pour, H., Saryazdi, S., and Rashedi, E., 2006. Edge detection using ant algorithms. Soft Computing, 10 (7): 623–628.
Rafsanjani, M. K., and Varzaneh, Z. A., 2015. Edge detection in digital images using ant colony optimization. Computer Science Journal of Moldova, 23 (3): 343–359.
Silver, D., Hubert, T., Schrittwieser, J., Antonoglou, I., Lai, M., Guez, A., et al., 2018. A general reinforcement learning algorithm that masters chess, shogi, and Go through self-play. Science, 362 (6419): 1140–1144.
Singh, R., Vashishath, M., and Kumar, S., 2019. Ant colony optimization technique for edge detection using fuzzy triangular membership function. International Journal of Systems Assurance Engineering and Management, 10 (1): 91–96.
Sun, X., Shi, J. Y., Liu, L. P., Dong, J. Y., Plant, C., Wang, X. H., et al., 2018. Transferring deep knowledge for object recognition in low-quality underwater videos. Neurocomputing, 275: 897–908.
Tian, J., Yu, W. Y., and Me, S. L., 2008. An ant colony optimization algorithm for image edge detection. IEEE Congress on Evolutionary Computation. Hong Kong, 751–756.
Vinyals, O., Babuschkin, I., Czarnecki, W. M., Mathieu, M., Dudzik, A., Chung, J., et al., 2019. Grandmaster level in StarCraft II using multi-agent reinforcement learning. Nature, 575 (7782): 350–370.
Wang, X. H., Ouyang, J. H., Li, D. Y., and Zhang, G., 2019. Underwater object recognition based on deep encoding-decoding network. Journal of Ocean University of China, 18 (2): 376–382.