采用多信息残差融合和多尺度特征表达的水下目标检测

来源：计算机工程与应用杂志2025年第11期北京时间：

作者：付均尚, 田莹

单位：辽宁科技大学 计算机与软件工程学院，辽宁 鞍山 114000

摘要：为了改善由于水下图像模糊和水下环境复杂而导致现有的水下目标检测模型效果不佳，模型检测精度低等问题，提出一种改进YOLOv7的目标检测模型YOLOv7-RMC，提高水下目标检测的性能。为了能够在模糊的图像中提取到更关键的信息设计了一种多信息残差融合注意力机制（residual fusion global attention mechanism， RGAM），解决随着网络层次的加深上下文特征信息丢失的问题，加强模型的特征信息提取能力。为解决远景近景目标信息丢失和小目标缺陷信息丢失问题，对原颈部网络结构进行优化重构，引入多尺度浅层特征融合网络（multi-scale shallow feature fusion network，MSFN）结构，通过多次深层特征融合与浅层特征之间的信息交互，提高目标检测精度。在优化后的颈部网络MSFN中引入轻量级上采样算子模块（content aware reassembly of feature，CARAFE），通过特征重组和特征扩张改善网络的特征融合能力保留更多的目标信息。实验结果表明，该算法在URPC数据集和Brackish数据集上的平均精度（mAP@0.5）达到87.4%和97.9%，相较于原始的YOLOv7网络模型mAP@0.5提高了2.3和0.9个百分点，提高了模型的检测能力，具有很强的实用性。

关键词：水下目标检测,特征融合,注意力机制,YOLOv7,计算机视觉