YOLO模型用于水下目标检测的鲁棒性实证研究
计算机视觉与模式识别
2025-09-23 v1 人工智能
摘要
水下目标检测（UOD）是计算机视觉中的关键挑战，由于水下失真导致低层特征受损，甚至影响最先进检测器的可靠性。尽管YOLO模型已成为实时目标检测的基础，但系统性地考察其在这些独特挑战条件下的鲁棒性仍寡言少有。这引发了一个关键问题：YOLO模型在水下环境的混乱且不可预测的条件下是否真正具有鲁棒性？本研究是首批对最新YOLO变体（YOLOv8-YOLOv12）进行全面评估的研究之一，跨越六种模拟水下环境。我们使用统一的数据集（包含10,000张标注图像，来自DUO和Roboflow100），不仅对模型鲁棒性进行基准测试，还分析失真如何影响关键低层特征，如纹理、边缘和颜色。我们的发现表明：（1）YOLOv12在整体性能上表现最强，但对噪声极其脆弱；（2）噪声破坏边缘和纹理特征，解释了噪声图像检测性能差的原因；（3）类别不平衡是UOD中持续的挑战。实验表明，图像数量和实例频率主要驱动检测性能，而目标外观仅次之。最后，我们评估了轻量级训练感知策略：噪声感知样本注入在噪声和真实场景中均提升鲁棒性；采用高级增强进行微调在增强域提升精度，但在原始数据上略有下降，分别显示出强大的域适应潜力。总体而言，这些见解为构建韧性且成本效益高的UOD系统提供了实用指导。
引用
@article{arxiv.2509.17561,
title = {An Empirical Study on the Robustness of YOLO Models for Underwater Object Detection},
author = {Edwine Nabahirwa and Wei Song and Minghua Zhang and Shufan Chen},
journal= {arXiv preprint arXiv:2509.17561},
year = {2025}
}
备注
28 Pages, 12 Figures