YOLO-sea：改进YOLOv7-tiny的复杂海底目标检测算法研究

来源：计算机工程与应用杂志2025年第2期北京时间：

作者：李润东, 曲英伟, 殷丽凤, 郑广海

单位：大连交通大学 软件学院，辽宁 大连 116028

摘要：海底成像质量差、分辨率低导致目标边缘模糊、识别困难，小目标的聚集又增加了漏检和误检的风险。针对这些问题，考虑到YOLOv7-tiny算法兼顾高精确度和小体积的特点，在其基础上设计了YOLO-sea网络检测算法。针对低分辨率场景小目标的特征学习不足、细粒度信息易丢失的问题，基于SPDConv（space-to-depth convolution）改进主干网络，提高低分辨率场景下密集小目标特征的提取能力。针对海底成像模糊、目标边缘识别困难的问题，设计了参数共享对比度增强注意力机制（parameter shared contrast enhanced attention，PSCEA）来优化局部细节和边缘信息的表示。基于YOLOv9的GELAN架构和DSConv（dynamic snake convolution）的思想，设计高效的聚合模块DSCELAN，轻量化同时增强对海底海参、鱼类等细长目标的聚焦能力。重构检测头，进一步提升小目标的检测效果。改进后的模型YOLO-sea算法在DUO数据集上的mAP提升了2.8个百分点，参数量减少了41%，证明了该创新在海底检测方面的优势。在主流网络YOLOv5s、YOLOv7-tiny和YOLOv8n上均进行注意力对比实验，加入PSCEA机制后使mAP分别提高了1.1、1.3和0.7个百分点，证明了该机制的泛化性和有效性。

关键词：海底检测,YOLO,GELAN,DSConv,深度学习