基于 YOLOv12 架构与物理信息增强的水下目标检测
计算机视觉与模式识别
2025-07-01 v1
摘要
水下目标检测对于自动导航、环境监测和海洋探索至关重要，但因光衰减、浑浊度和遮挡等因素严重受限。现有方法在准确率与计算效率之间进行权衡，但在低可见度条件下难以实现实时部署。通过将物理信息增强技术与 YOLOv12 架构集成，本研究推进了水下检测技术。采用残差 ELAN 块保留浑浊水域中的结构特征，利用区域注意力机制在保持大感受野以检测被遮挡目标的同时降低计算复杂度。针对水下光学特性，采用特定于领域的增强方法，如湍流自适应模糊、生物学依据的遮挡模拟以及用于色彩失真的光谱 HSV 变换。广泛的四个数据集测试表明，本方法实现了最先进的性能，Brackish 数据集的 mAP 达 98.30%，帧率达 142 FPS。与以往模型相比，YOLOv12 在遮挡鲁棒性上提升 18.9%，小目标召回率提升 22.4%，检测精度提升最高 7.94%。消融实验验证了增强策略的关键作用。这一工作为 conservation 和水下机器人应用提供了精确且高效的解决方案。
引用
@article{arxiv.2506.23505,
title = {Improve Underwater Object Detection through YOLOv12 Architecture and Physics-informed Augmentation},
author = {Tinh Nguyen},
journal= {arXiv preprint arXiv:2506.23505},
year = {2025}
}