EPANet：用于水下鱼类检测的高效路径聚合网络
计算机视觉与模式识别
2025-08-04 v1
摘要
水下鱼类检测由于目标分辨率低、显著的背景干扰以及目标与周围环境之间的高视觉相似性，在计算机视觉中仍然是一项具有挑战性的任务。现有方法主要关注局部特征增强或引入复杂的注意力机制来突出小目标，但这通常以增加模型复杂度和降低效率为代价。为了解决这些局限性，我们提出了一种高效路径聚合网络（EPANet），它利用互补特征集成来实现准确且轻量级的水下鱼类检测。EPANet由两个关键组件组成：高效路径聚合特征金字塔网络（EPA-FPN）和多尺度多样划分短路径瓶颈（MS-DDSP瓶颈）。EPA-FPN引入了跨不同尺度的长程跳跃连接以改善语义-空间互补性，同时采用跨层融合路径以增强特征集成效率。MS-DDSP瓶颈通过引入更细粒度的特征划分和多样化的卷积操作来扩展传统的瓶颈结构，从而增加局部特征多样性和表示能力。在基准水下鱼类检测数据集上的大量实验表明，EPANet在检测精度和推理速度方面优于最先进的方法，同时保持相当或更低的参数复杂度。
引用
@article{arxiv.2508.00528,
title = {EPANet: Efficient Path Aggregation Network for Underwater Fish Detection},
author = {Jinsong Yang and Zeyuan Hu and Yichen Li},
journal= {arXiv preprint arXiv:2508.00528},
year = {2025}
}