基于自注意力增强与特征交互优化的海洋机器人 Marine Debris 检测框架
计算机视觉与模式识别
2026-05-11 v1
摘要
海洋机器人漂浮物检测对于生态保护至关重要，但常因低质量图像（包括模糊、复杂背景和小目标）而性能受损。 为此，我们提出了YOLO-MD，一个基于增强YOLO的检测框架。 设计了双分支卷积增强自注意力（DB-CASA）模块，以强化空间-通道交互，提高退化图像中的特征表示。 此外，引入轻量级位移操作，以增强不同尺度物体的细粒度特征提取，同时保持参数效率。 我们进一步提出SFG-Loss以通过动态样本重加权缓解类别不平衡和优化不稳定性。 在UODM数据集上的实验表明，YOLO-MD实现了0.875的精度、0.822的F1分数和0.849的mAP50，超越了最新的前沿方法。 这种方法的有效性也通过实际的机器人边缘部署实验得到了验证。
引用
@article{arxiv.2605.07388,
title = {A Marine Debris Detection Framework for Ocean Robots via Self-Attention Enhancement and Feature Interaction Optimization},
author = {Yuyang Li and Jiashu Han and Yinyi Lai and Wenbin Kang and Zenghui Liu},
journal= {arXiv preprint arXiv:2605.07388},
year = {2026}
}