面向水下3D目标检测的无训练方法：传统方法与深度学习方法的比较

水下3D目标检测是计算机视觉中最具挑战性的前沿之一，传统方法在恶劣声学环境和稀缺训练数据方面受限。虽然深度学习已彻底变革陆地3D检测，但其在水下应用面临一个关键瓶颈：获取足够的标注声呀数据代价高昂且在物流上复杂，常需专业船舶、专家测绘人员以及良好天气条件。本工作回答了一个根本问题：我们可以在没有真实训练数据的情况下实现可靠的水下3D目标检测吗？为此，我们开发并比较了两种用于检测多波束声呀点云中人工结构的无训练检测范式。我们的双重方法结合了生成用于深度神经网络的合成训练数据的物理基声呀模拟管道，以及利用目标几何先验的稳健基于模型的模板匹配系统。评估于波罗的海真实水深测绘数据显示，意外的洞察：尽管在模拟场景上实现98%的平均精度（mAP），但在真实声呀数据上降至40% mAP，因域迁移。相反，我们的模板匹配方法在无需任何训练的情况下在真实数据上保持83% mAP，展现出对声学噪声和环境变化的惊人鲁棒性。我们的发现挑战了关于数据驱动深度学习在水下领域的常规认知，确立了无训练水下3D检测的首个大规模基准。这为数据稀缺环境中自主水下车辆导航、海洋考古及离岸基础设施监控开辟了新可能。