水下目标的多尺度上下文感知检测模型

摘要

针对传统模型无法有效处理水下复杂环境噪声、目标尺度变化大、且无法平衡模型大小和精度的问题，本文提出了MSCA-UODA(Multi-scale Context-Aware Underwater Object Detection Algorithm)模型，其设计的上下文增强下采样模块CEADown(Context Enhanced ADown)在降低模型参数量的同时能有效捕获上下文信息，减少了下采样过程中水下环境噪声的影响；同时，提出一种基于双路径部分连接的多尺度特征提取模块CSP-MSPF(Cross Stage Partial-Multi-Scale Partial Feature)，并使用单头注意力机制(Single-Head Self-Attention,SHSA)来改进C2PSA，提高了模型的多尺度特征提取能力。实验表明，相较于基准模型，MSCA-UODA模型在数据集URPC2020和DUO的mAP50分别提升了2.0个百分点和1.1个百分点，参数量下降了12.01%，且综合性能优于目前主流的目标检测模型。

关键词

水下目标检测 / 深度学习 / 注意力机制 / 下采样 / 特征提取