基于自注意力和改进金字塔的水下小目标检测 (1).pdfVIP

基于自注意力和改进金字塔的水下小目标检测 (1).pdf

第42卷第4期深圳大学学报理工版Vol.42No.4

2025年7月JournalofShenzhenUniversityScienceandEngineeringJuly2025

【电子与信息科学/ElectronicsandInformationScience】

基于自注意力和改进金字塔的水下小目标检测

1，2121

杜睿山，王紫珊，孟令东，井远光

1）东北石油大学计算机与信息技术学院，黑龙江大庆163318；2）油气藏及地下储库完整性评价黑龙江省重点实验室，

黑龙江大庆163318

摘要：针对水下目标检测任务中小目标特征信息少和受水下环境影响导致检测精度低的问题，提出

一种基于自注意力机制和改进金字塔的水下小目标检测算法，记为SF-Bi-YOLOv8．以YOLOv8为框架，设

计一种加强全局特征提取能力的Swin-Fa模块对YOLOv8的骨干网络最后一个C2f层进行改进，提高了模型

的小目标检测能力；将特征融合网络的特征金字塔结构替换为简化型加权双向特征金字塔结构（weighted

bidirectionalfeaturepyramidnetwork，BiFPN）以更好地学习多尺度特征；采用线性区间映射Focaler-IoU的方

式重构检测头的损失函数，从而关注难易样本，加速边界框回归．实验结果表明，在水下检测目标

（detectingunderwaterobjects，DUO）数据集上，SF-Bi-YOLOv8算法交并比（intersectionoverunion，IoU）阈值

为0.50时的平均精度达到0.862，较原YOLOv8提高了0.023，IoU阈值从0.50到0.95时的平均精度提高了

0.036．研究结果可为水下目标检测任务提供参考．

关键词：人工智能；水下目标检测；深度学习；YOLOv8；注意力机制；特征金字塔

中图分类号：TP391；S951文献标志码：ADOI：10.3724/SP.J.1249.2025.04428

Underwatersmallobjectsdetectionbasedonself-

attentionandimprovedpyramidnetwork

1,2121

DURuishan,WANGZishan,MENGLingdong,andJINGYuanguang

1)SchoolofComputerandInformationTechnology,NortheastPetroleumUniversity,Daqing163318,HeilongjiangProvince,P.R.China

2)KeyLaboratoryofOilandGasReservoirandUndergroundGasStorageIntegrityEvaluations,Daqing163318,HeilongjiangProvince,