SSDT-YOLO: An Underwater Object Detection Framework for Efficient Small-Target Recognition in Complex Environments

在海洋表层之下，世界是一个光影变幻、细节隐匿之地。对于科学家和工程师而言，在这种环境下清晰地观察是一个持久的挑战。水体会吸收色彩，散射光线，直到场景变得浑浊，而捕捉图像的行为本身也可能引入失真。在这种条件下，寻找微小的物体——比如停留在沙地上的海参或附着在岩石上的海星——对于人类肉眼和标准相机来说都变得异常困难。这正是计算机视觉（研究如何教机器通过摄像头进行“观察”的领域）发挥作用的地方。通过使用深度学习（一种让计算机从大量数据中学习模式而非遵循僵化、预设规则的方法），机器可以被训练出即使在模糊、昏暗或拥挤的环境中也能识别物体的能力。这种能力对于监测海洋生态系统、管理渔业以及引导执行人类难以胜任的危险或繁琐任务的水下机器人至关重要。

尽管取得了这些进展，现有的计算机视觉系统在面对深海特有的混乱环境时往往表现不佳。它们经常会漏掉微小目标，或者无法将目标与背景区分开来，尤其是在光照不足的情况下。为了解决这一问题，湖南科技大学的陈朝阳及其团队开发了一种名为 SSDT-YOLO 的新系统。该框架专门设计用于在复杂的水下环境中探测底栖生物——即生活在海底的生物。团队从一个强大的现有检测模型 YOLOv8 开始，该模型因其在通用任务中的速度和准确性而闻名。然而，他们意识到这个标准模型并未针对水下世界的独特困难进行优化，例如在昏暗、失真的环境中观察微小细节的需求。

研究人员通过从内向外重建系统的方法来解决问题，重点关注四个关键领域，以提高系统的灵敏度和效率。首先，他们用一个名为 TEfficientNet 的新结构替换了系统的核心“骨干”（backbone，即负责初步扫描图像的部分）。这个新骨干能更好地处理水下不均匀的光照，使系统从一开始就能提取出更清晰的特征。其次，为了确保微小物体在图像处理过程中不会丢失或变得模糊，他们将标准的处理层更换为一种被称为“空间保持深度卷积”（Spatial-Preserving Depth Convolution）的专门技术。这种方法就像一个精细的过滤器，能够保持微小目标的精细细节不受损，防止它们消失在周围水的噪声之中。

第三，团队重新组织了网络的中间部分，即不同层级信息进行组合的部分。他们引入了一个名为 C2f-Dual 的新模块，旨在简化系统融合这些细节的方式。这一改变显著减少了计算机需要进行的计算量，使系统在不牺牲观察能力的前提下变得更轻量、更快速。最后，为了帮助系统聚焦于图像中最重要的部分，他们添加了一个名为“空间与通道协同注意力机制”（Spatial and Channel Synergistic Attention）的机制。这就像一个聚光灯，引导计算机的注意力转向那些极有可能存在密集微小生物的特定区域，同时忽略无关的背景杂物。

这些改进的效果在两个大型水下图像集上进行了测试，其中一个包含近 8,000 张照片，另一个包含超过 4,700 张。新的 SSDT-YOLO 系统证明了其高效性。它在第一个数据集上的识别和定位成功率达到 84.9%，在第二个数据集上达到 83.0%，表现优于原始的 YOLOv8 模型及其他几种领先的检测系统。或许同样重要的，是新模型更加高效。它使用的计算资源显著减少，仅需约 200 万个参数，而基准模型则有 310 万个。这种规模的缩减使得系统能够以 214.8 帧每秒的速度运行，这意味着它每秒可以处理超过 200 幅图像。这种速度对于实时应用至关重要，例如引导水下机器人进行样本采集或在不延迟的情况下监测珊瑚礁。

虽然该系统代表了向前迈出的重要一步，但研究人员也承认，它并非适用于所有可能场景的完美解决方案。在物体被沉积物严重遮挡或处于极端光照条件的情况下，系统偶尔仍会漏掉目标。此外，新设计在数学运算方面需要稍高的原始计算能力，这是团队正在努力优化的权衡点。尽管如此，这项工作表明，通过针对水下世界的特定物理现实对计算机视觉模型进行精心定制，是完全可以创造出既高度准确又足以进行实时操作的工具的。这一进步为更自主、更有效的海洋探索提供了一条充满前景的路径，有助于科学家和环保人士更好地理解并保护海洋底部的隐秘生命。