Weak Underwater Acoustic Target Detection and Enhancement with BM-SEED Algorithm

Abstract

Bearing time record (BTR) is widely used in the field of passive sonar information processing for target detecting and tracking. One of its challenges is to obtain high-resolution beamforming power spectral to facilitate the directions estimating of arrivals, namely DOA estimating. This paper proposes a new algorithm framework Block Matching - Subband Extrema Energy Detection (BM-SEED) to supplement the resolution and enhance the weak targets of BTRs. It extracts the peak features of target trajectories within the conventional beamforming (CBF)-based BTRs by using an improved sub-band peak energy detection (SPED) algorithm, and then enhances the weak targets and suppresses the false-alarm targets through time-spatial autocorrelation analysis. Simulations and sea-trial data evaluations demonstrate that the method of this paper can enhance weak targets, eliminate the interferences of false targets and improve the resolution of BTR targets to 1 degree under −20 dB.

Análise Comparativa de Algoritmos de Detecção de Objetos para Reconhecimento de Buracos em Vias e Estradas

“…Entre essas reformas, destacam-se a adoção da técnica Extended Efficient Layer Aggregation (E-ELAN), o ajuste dimensional para modelos que se baseiam na concatenação e a reparametrização. Essas mudanças são estratégicas para alcançar um equilíbrio ótimo entre eficiência e precisão na detecção dos objetos [24] O algoritmo YOLOv7 consiste em quatro principais módulos: o módulo de input, a rede backbone, a rede Head e a rede detection, conforme mostrado na Fig. 9 [24].…”

“…Essas mudanças são estratégicas para alcançar um equilíbrio ótimo entre eficiência e precisão na detecção dos objetos [24] O algoritmo YOLOv7 consiste em quatro principais módulos: o módulo de input, a rede backbone, a rede Head e a rede detection, conforme mostrado na Fig. 9 [24]. Figura 9: Adaptado de [24] Arquitetura da rede YOLOv7 O Módulo de entrada tem como finalidade garantir que as imagens de entrada sejam redimensionadas uniformemente para o tamanho de 640x640 e atendam aos requisitos de entrada da rede principal.…”

“…9 [24]. Figura 9: Adaptado de [24] Arquitetura da rede YOLOv7 O Módulo de entrada tem como finalidade garantir que as imagens de entrada sejam redimensionadas uniformemente para o tamanho de 640x640 e atendam aos requisitos de entrada da rede principal. A etapa de pré-processamento do YOLOv7 utiliza técnicas de aprimoramento de dados, como mosaico e híbrido, e se baseia no método de cálculo de quadro de âncora adaptativo estabelecido pelo YOLOv5 [24].…”

“…O CBS é formado por funções de convolução, normalização em lote e ativação SiLU. O E-ELAN preserva a arquitetura de design original ELAN e melhora a capacidade de aprendizado da rede ao orientar diferentes blocos computacionais de grupos de características a aprender características mais diversas, preservando o caminho original do gradiente [24].…”

IEC-YOLOX:A Lightweight Object Detection Algorithm for UAV Target Detection

“…Furthermore, they modified the default anchor point from [32,64,128,512] to [16,32,64,128] for small targets that were previously missed by the default anchor point, which was designed for normal-sized targets. Kaiyue Liu et al [22] employed the K-means++ [23] algorithm as a substitute for the traditional K-means to cluster the anchor boxes in the UYRPC dataset. The K-means++ algorithm selects initial cluster centers based on the principle of maximizing the distance between centers, which is an improvement over the random selection of K data objects as initial centers in the traditional K-means algorithm.…”