SU-YOLO：用于高效水下目标检测的脉冲神经网络
计算机视觉与模式识别
2025-04-01 v1 神经与进化计算
摘要
水下目标检测对海洋研究和工业安全检查至关重要。然而，复杂的光学环境和水下设备有限的资源对实现高精度和低功耗构成了重大挑战。为了解决这些问题，我们提出了脉冲水下YOLO（Spiking Underwater YOLO, SU-YOLO），一种脉冲神经网络模型。利用SNN轻量且节能的特性，SU-YOLO引入了一种仅基于整数加法的全新脉冲式水下图像去噪方法，该方法以极低的计算开销增强了特征图的质量。此外，我们引入了分离批归一化，这是一种在多个时间步上独立归一化特征图的技术，并针对与残差结构的集成进行了优化，以更有效地捕捉SNN的时间动态特性。重新设计的脉冲残差块将跨阶段部分网络与YOLO架构相结合，以缓解脉冲退化并增强模型的特征提取能力。在URPC2019水下数据集上的实验结果表明，SU-YOLO实现了78.8%的mAP，参数量为6.97M，能耗为2.98 mJ，在检测精度和计算效率上均超越了主流SNN模型。这些结果突显了SNN在工程应用中的潜力。代码可在 https://github.com/lwxfight/snn-underwater 获取。
引用
@article{arxiv.2503.24389,
title = {SU-YOLO: Spiking Neural Network for Efficient Underwater Object Detection},
author = {Chenyang Li and Wenxuan Liu and Guoqiang Gong and Xiaobo Ding and Xian Zhong},
journal= {arXiv preprint arXiv:2503.24389},
year = {2025}
}