YOLOv8n-PFA: una red de atención de fusión paralela para mejorar la detección de objetivos en entornos desafiantes

Introducción La detección de objetivos submarinos juega un papel crucial en el monitoreo del medio ambiente marino y la exploración oceánica. Sin embargo, la detección precisa sigue siendo un desafío debido a la baja iluminación, objetos pequeños difusos y la interferencia de fondos complejos. Aunque los detectores basados en redes neuronales convolucionales han mejorado el rendimiento de la detección, muchos enfoques existentes son computacionalmente costosos, lo que limita su despliegue en plataformas submarinas con recursos restringidos. Métodos Para abordar estos retos, proponemos YOLOv8n-PFA, un marco de detección de objetos submarinos ligero y de alta precisión. El método propuesto introduce un novedoso módulo de Atención de Fusión Paralela (PFA) que modela la atención en canal y espacial en paralelo utilizando conexiones residuales para realzar características discriminativas mientras suprime el ruido de fondo. Se incorpora la función de pérdida Wise Intersection over Union (WIoUv3) para estabilizar el entrenamiento y mejorar la precisión de localización. Adicionalmente, se aplican convoluciones por profundidad (DWConv) de manera estratégica para reducir parámetros del modelo y la complejidad computacional. Para validar aún más la capacidad de generalización, el módulo PFA también se integra en YOLOv11n. Resultados Los resultados experimentales muestran que YOLOv8n-PFA logra un 84.2% de Precisión Promedio Media (mAP) en el conjunto de datos URPC2020 con 2.68 M parámetros y 7.7 GFLOPs, y un 84.8% mAP en el conjunto RUOD con 2.98 M parámetros y 7.9 GFLOPs. Al integrarse en YOLOv11n, el modelo alcanza un 84.7% mAP en URPC2020 y 85.3% en RUOD con solo 2.76 M parámetros y 6.5 GFLOPs. En ambos conjuntos, el enfoque propuesto mejora el mAP entre un 2.8 y 4.1% respecto a los modelos base manteniendo una arquitectura ligera. Discusión Los resultados demuestran que el marco propuesto ofrece una solución efectiva y computacionalmente eficiente para la detección de objetivos submarinos en tiempo real en entornos marinos desafiantes. Los incrementos consistentes en rendimiento a través de diferentes generaciones de YOLO confirman además la escalabilidad y robustez del módulo PFA propuesto.