SPMamba-YOLO: An Underwater Object Detection Network Based on Multi-Scale Feature Enhancement and Global Context Modeling

Ce papier propose SPMamba-YOLO, un réseau de détection d'objets sous-marins innovant qui intègre une amélioration des caractéristiques multi-échelles et une modélisation du contexte global via des modules SPPELAN, PSA et Mamba, surpassant ainsi la base YOLOv8n de plus de 4,9 % en précision sur le jeu de données URPC2022.

L'essentiel

🌊 Le Grand Défi : Chasser le trésor dans un brouillard sous-marin

Imaginez que vous êtes un plongeur équipé d'une caméra, essayant de trouver des petits trésors (des oursins, des étoiles de mer, des coquillages) au fond de l'océan. Le problème ? L'eau n'est pas comme l'air.

• La lumière est tricheuse : Elle se déforme, les couleurs deviennent vertes ou bleues, et tout semble flou.
• Le fond est encombré : Il y a des algues, du sable et des rochers partout.
• Les objets sont minuscules : Repérer une petite étoile de mer parmi des milliers de cailloux, c'est comme chercher une aiguille dans une botte de foin, mais l'aiguille est aussi transparente que l'eau.

Les robots sous-marins actuels utilisent des "yeux" numériques (des algorithmes d'intelligence artificielle) pour faire ce travail, mais ils se trompent souvent car l'eau brouille leur vision.

🚀 La Solution : SPMamba-YOLO, le "Super-Héros" des robots

Les chercheurs (Guanghao Liao et son équipe) ont créé un nouveau cerveau pour ces robots, qu'ils appellent SPMamba-YOLO. C'est une amélioration d'un système existant (YOLOv8), mais avec trois super-pouvoirs spéciaux pour voir à travers le brouillard.

Voici comment cela fonctionne, avec des analogies simples :

1. Le "Lunettes à Zoom Multi-Niveaux" (Module SPPELAN)

• Le problème : Dans l'eau, un objet peut être très gros (proche) ou très petit (loin). Un système normal a du mal à voir les deux en même temps.
• La solution : Imaginez que vous avez un jeu de lunettes qui change de focale instantanément. Le module SPPELAN permet au robot de regarder la scène avec plusieurs "zooms" différents en même temps.
• L'analogie : C'est comme si vous regardiez une carte géographique : vous voyez la vue d'ensemble (la mer), mais vous pouvez aussi zoomer instantanément sur un petit détail (un coquillage) sans perdre le contexte. Cela aide le robot à ne pas rater les petits objets cachés.

2. Le "Filtre Anti-Brouillard Intelligent" (Mécanisme PSA)

• Le problème : L'eau est remplie de "bruit" (algues, particules). Le robot confond souvent un caillou avec un oursin.
• La solution : Le mécanisme PSA agit comme un garde du corps très sélectif. Il dit au cerveau du robot : "Regarde ici, c'est important ! Ignore ce qui est là-bas, c'est juste du décor."
• L'analogie : Imaginez que vous êtes dans une foule bruyante et que vous cherchez un ami. Le PSA est comme une oreille qui siffle pour isoler la voix de votre ami et étouffer le bruit de la foule. Il met en évidence les cibles réelles et efface le fond de mer inutile.

3. Le "Mémoire à Long Terme" (Module Mamba)

• Le problème : Parfois, un objet est caché derrière un rocher ou coupé en deux par l'image. Un système simple regarde juste un petit carré de l'image et ne comprend pas le reste.
• La solution : Le module Mamba donne au robot une capacité à "voir" au-delà du cadre immédiat. Il comprend les liens entre les différentes parties de l'image.
• L'analogie : C'est la différence entre regarder une photo de votre main (un système simple) et comprendre que cette main fait partie de votre corps entier (le système Mamba). Même si l'objet est partiellement caché ou loin, le robot se souvient du contexte global pour deviner ce qu'il y a. C'est comme si le robot avait une mémoire qui relie tous les points de l'image ensemble.

🏆 Les Résultats : Qui gagne la course ?

Les chercheurs ont testé leur invention sur une base de données réelle (URPC2022) remplie de photos sous-marines difficiles.

• Avant (Le robot normal) : Il ratait beaucoup de petits objets et confondait souvent les algues avec des animaux.
• Après (SPMamba-YOLO) : Le robot a gagné près de 5 % de précision par rapport aux meilleurs systèmes actuels.
• Le plus important : Il est devenu beaucoup plus fort pour trouver les petits objets (comme les oursins) et les objets groupés (quand il y en a plein qui se touchent), tout en restant assez rapide pour être utilisé en temps réel.

💡 En résumé

Imaginez que vous donniez à un robot sous-marin :

1. Des lunettes qui voient tout, du très grand au très petit.
2. Un filtre qui enlève le brouillard et ne garde que les vrais trésors.
3. Une mémoire qui relie les morceaux d'images pour comprendre la scène entière.

C'est exactement ce que fait SPMamba-YOLO. C'est une avancée majeure pour aider les robots à explorer, nettoyer et étudier les océans, même quand l'eau est trouble et que les objets sont minuscules.

Résumé technique

1. Problématique

La détection d'objets sous-marins est une tâche critique pour des applications telles que la recherche biologique marine, l'inspection de pipelines et l'exploration des ressources, mais elle se heurte à des défis majeurs liés à l'environnement aquatique :

• Dégradation visuelle sévère : Atténuation de la lumière dépendante de la longueur d'onde, distorsion des couleurs, faible contraste et flou des contours.
• Interférences de fond : Clutter (encombrement) de l'arrière-plan et turbidité de l'eau.
• Nature des cibles : Les objets (holothuries, oursins, étoiles de mer, coquilles Saint-Jacques) sont souvent de petite taille, densément distribués et manquent de détails discriminatifs.

Les modèles de détection conventionnels (comme les versions de base de YOLO) peinent à maintenir une localisation précise et une classification robuste dans ces conditions, en particulier pour les petits objets. Les méthodes existantes basées sur les Transformers ou les mécanismes d'attention classiques souffrent soit d'un manque de modélisation efficace des dépendances à longue portée, soit d'une surcharge computationnelle inadaptée aux systèmes embarqués sous-marins.

2. Méthodologie : Architecture SPMamba-YOLO

Les auteurs proposent SPMamba-YOLO, une nouvelle architecture basée sur YOLOv8n, intégrant trois modules clés pour améliorer l'extraction de caractéristiques et la modélisation contextuelle :

A. Module SPPELAN (Spatial Pyramid Pooling Enhanced Layer Aggregation Network)

• Fonction : Renforcer l'agrégation des caractéristiques multi-échelles et étendre le champ réceptif.
• Mécanisme : Il combine une convolution $1\times1$ avec une séquence d'opérations de max-pooling en cascade (tailles de noyaux croissants). Cela permet de capturer des informations contextuelles à différentes échelles spatiales sans augmenter excessivement la complexité computationnelle.
• Objectif : Améliorer la représentation des objets de tailles variées, en particulier les petits objets sous-marins.

B. Mécanisme d'Attention PSA (Pyramid Split Attention)

• Fonction : Améliorer la discrimination des caractéristiques en mettant l'accent sur les régions informatives et en supprimant le bruit de fond.
• Mécanisme :
  1. Squeeze and Concat (SPC) : Division du canal d'entrée en plusieurs sous-cartes de caractéristiques.
  2. Extraction multi-échelle : Application de convolutions avec des champs réceptifs différents sur chaque sous-carte.
  3. Recalibrage : Fusion des cartes via concaténation, suivie d'un mécanisme d'attention canal par canal (basé sur SEWeight) pour pondérer les caractéristiques pertinentes.
• Objectif : Supprimer les interférences de fond complexes et augmenter la sensibilité aux petits objets.

C. Module de Modélisation d'État Spatial basé sur Mamba

• Fonction : Capturer efficacement les dépendances à longue portée et l'information contextuelle globale.
• Mécanisme : Intégration de l'architecture Mamba (State Space Model - SSM) avec un mécanisme de balayage sélectif (selective scanning). Contrairement aux Transformers qui ont une complexité quadratique, Mamba offre une complexité linéaire tout en modélisant dynamiquement les états cachés.
• Intégration : Remplace les modules C2f traditionnels dans le "neck" (cou) du réseau par des blocs ODSSBlock (intégrant SS2D, LS et RG) et utilise un "Simple Stem" pour préserver les détails texturaux fins lors du sous-échantillonnage initial.
• Objectif : Permettre une perception contextuelle multidirectionnelle et une adaptation dynamique aux conditions d'imagerie variables.

3. Contributions Clés

1. Cadre SPMamba-YOLO : Proposition d'un nouveau réseau de détection spécifiquement conçu pour les environnements sous-marins dégradés.
2. Module SPPELAN : Introduction d'une nouvelle couche d'agrégation qui améliore la robustesse face aux variations d'échelle des objets.
3. Attention PSA : Intégration d'un mécanisme d'attention qui optimise le rapport précision/efficacité pour la suppression du bruit de fond sous-marin.
4. Modélisation Mamba : Application pionnière des modèles d'espace d'état (Mamba) dans la détection d'objets sous-marins pour capturer des dépendances globales à un coût computationnel réduit par rapport aux Transformers.
5. Validation Rigoureuse : Démonstration expérimentale sur le jeu de données URPC2022, prouvant la supériorité par rapport aux méthodes de l'état de l'art.

4. Résultats Expérimentaux

Les expériences ont été menées sur le jeu de données URPC2022 (9 000 images, 4 classes : holothurie, oursin, étoile de mer, coquille Saint-Jacques).

• Performance Globale :
  • Le modèle SPMamba-YOLO atteint un mAP@0.5 de 0,825 (82,5 %).
  • Cela représente une amélioration de 4,9 points de pourcentage par rapport à la baseline YOLOv8n (77,6 %).
  • Le mAP@0.5:0.95 passe de 0,437 à 0,484.
• Analyse par Composant (Étude d'ablation) :
  • L'ajout de Mamba seul améliore le mAP à 0,806.
  • L'ajout de PSA seul améliore le mAP à 0,790.
  • La combinaison des trois modules (Mamba + PSA + SPPELAN) donne les meilleurs résultats, confirmant leur complémentarité.
• Comparaison avec d'autres modèles :
  • SPMamba-YOLO surpasse les détecteurs classiques (Faster R-CNN, SSD) et d'autres variantes YOLO (v3, v5, v6, v7) en termes de précision et de rappel, tout en maintenant une taille de modèle et un coût computationnel (GFLOPs) compétitifs (13,9 GFLOPs, 6,4 M de paramètres).
• Visualisation : Les cartes d'activation Grad-CAM montrent que SPMamba-YOLO produit des réponses plus concentrées sur les cibles et supprime mieux le bruit de fond que YOLOv8n, même dans des conditions de faible contraste ou de forte turbidité.

5. Signification et Conclusion

Ce travail démontre que l'intégration de la modélisation d'espace d'état (Mamba) avec des mécanismes d'attention multi-échelle et d'agrégation de caractéristiques est une approche prometteuse pour la détection d'objets sous-marins.

• Impact : La méthode offre un compromis optimal entre précision de détection (surtout pour les petits objets) et efficacité computationnelle, la rendant potentiellement adaptable à des systèmes robotiques sous-marins en temps réel.
• Limites et Perspectives : L'ajout de modules augmente légèrement la complexité et le nombre de paramètres par rapport à la version YOLOv8n de base. Les auteurs prévoient d'explorer des stratégies de fusion de caractéristiques plus efficaces pour réduire la redondance et de valider le modèle sur d'autres jeux de données sous-marins pour évaluer sa capacité de généralisation.

En résumé, SPMamba-YOLO représente une avancée significative dans le domaine de la vision par ordinateur sous-marine, en surmontant les limitations des approches purement convolutionnelles ou basées sur les Transformers pour les environnements complexes.