面向轻量级水下目标检测的 YOLOv10 自适应增强与双池化顺序注意
计算机视觉与模式识别
2026-03-05 v1
摘要
水下目标检测是海洋监视和自主水下系统领域的关键任务，但由于光强吸收、散射和对比度下降等现象导致的显著视觉损伤，面临重大挑战。为应对这些挑战，本文提出一种基于 YOLOv10 架构的简洁而稳健的水下目标检测框架。该方法集成了多阶段自适应增强模块以提高图像质量，嵌入背部的双池化顺序注意 (DPSA) 机制以强化多尺度特征表示，以及用于在类别不平衡下同时提高定位精度和目标性预测的焦点广义 IoU 损失 (FGIoU)。在 RUOD 和 DUO 基准数据集上的全面实验评估表明，所提出的 DPSA_FGIoU_YOLOv10n 在两个数据集上分别实现了 88.9% 和 88.0% 的平均精度 (mAP) 得分（IoU 阈值 0.5）。与基线 YOLOv10n 相比，分别实现了 6.7% 和 6.2% 的提升，同时保持紧凑的模型架构，仅包含 280 万参数。这些发现表明，所提出的框架在准确性、鲁棒性和实时操作效率之间建立了有效的平衡，适用于资源受限的水下环境部署。
引用
@article{arxiv.2603.03807,
title = {Adaptive Enhancement and Dual-Pooling Sequential Attention for Lightweight Underwater Object Detection with YOLOv10},
author = {Md. Mushibur Rahman and Umme Fawzia Rahim and Enam Ahmed Taufik},
journal= {arXiv preprint arXiv:2603.03807},
year = {2026}
}
备注
Accepted in 2026 IEEE 2nd International Conference on Quantum Photonics, Artificial Intelligence, and Networking (QPAIN)