YOLOv8n-PFA: شبكة انتباه اندماجية متوازية للكشف المحسن عن الأهداف في البيئات الصعبة

مقدمة يلعب الكشف عن الأهداف تحت الماء دورًا حيويًا في مراقبة البيئة البحرية واستكشاف المحيطات. ومع ذلك، يظل الكشف الدقيق تحديًا بسبب الإضاءة المنخفضة، وجود أجسام صغيرة ضبابية، وتعقيد الخلفية. على الرغم من أن كاشفات الشبكات العصبية الالتفافية قد حسنت الأداء، إلا أن العديد من الطرق الحالية مكلفة حسابيًا، مما يحد من استخدامها على المنصات البحرية ذات الموارد المحدودة. الطرق لمعالجة هذه التحديات، نقترح YOLOv8n-PFA، إطار عمل خفيف الوزن وعالي الدقة للكشف عن الأجسام تحت الماء. الطريقة المقترحة تقدم وحدة انتباه اندماجية متوازية (PFA) جديدة تقوم بنمذجة الانتباه القنوي والمكاني بالتوازي باستخدام اتصالات متبقية لتعزيز الميزات التمييزية مع كبت الضوضاء الخلفية. تم دمج خسارة Wise Intersection over Union (WIoUv3) لتحقيق استقرار التدريب وتحسين دقة التموضع. بالإضافة إلى ذلك، تم تطبيق الالتفافات العميقة (DWConv) بشكل استراتيجي لتقليل معلمات النموذج وتعقيد الحسابات. للتحقق من قدرة التعميم، تم أيضًا دمج وحدة PFA في YOLOv11n. النتائج أظهرت النتائج التجريبية أن YOLOv8n-PFA يحقق دقة متوسطة متوازنة (mAP) بقيمة 84.2% على مجموعة بيانات URPC2020 مع 2.68 مليون معلمة و7.7 GFLOPs، و84.8% mAP على مجموعة بيانات RUOD مع 2.98 مليون معلمة و7.9 GFLOPs. وعند دمجه في YOLOv11n، يصل النموذج إلى 84.7% mAP على URPC2020 و85.3% على RUOD مع 2.76 مليون معلمة فقط و6.5 GFLOPs. عبر كلا المجموعتين، يحسن النهج المقترح الدقة بزيادة تتراوح بين 2.8-4.1% مقارنة بالنماذج الأساسية مع الحفاظ على بنية خفيفة. المناقشة توضح النتائج أن الإطار المقترح يقدم حلًا فعالًا وكفءً حسابيًا للكشف عن الأهداف تحت الماء في الوقت الحقيقي ضمن بيئات بحرية صعبة. وتعزز المكاسب المتسقة في الأداء عبر أجيال YOLO المختلفة من قابلية التوسع والصلابة لوحدة PFA المقترحة.