【声纳与人工智能融合——从理论前沿到自主系统实战】第二章 深度学习在声纳目标检测中的架构演进

目录第二章 深度学习在声纳目标检测中的架构演进2.1 从卷积神经网络（CNN）到检测Transformer2.1.1 经典CNN架构适配与优化2.1.1.1 针对 speckle noise 的卷积核设计改进2.1.1.2 特征金字塔（FPN）在多尺度水下目标检测中的应用2.1.2 DETR系列架构在声纳检测中的革新2.1.2.1 端到端检测机制消除NMS后处理2.1.2.2 混合编码器结构解决小目标特征丢失问题2.2 旋转目标检测与高精度定位2.2.1 面向声纳图像几何特征的旋转框检测2.2.1.1 旋转边界框的定义与损失函数设计2.2.1.2 长宽比对检测精度的影响分析2.2.2.2 面向嵌入式平台的YOLO系列改进2.3 多模态融合检测技术2.3.1 光学-声纳图像联合检测框架2.3.1.1 异构数据配准与特征对齐技术2.3.1.2 注意力机制引导的跨模态特征融合第二章 深度学习在声纳目标检测中的架构演进2.1 从卷积神经网络（CNN）到检测Transformer深度学习在声纳目标检测中的应用经历了从传统卷