YOLOv8n-PFA : un réseau d'attention à fusion parallèle pour une détection améliorée des cibles dans des environnements difficiles

Introduction La détection de cibles sous-marines joue un rôle crucial dans la surveillance de l'environnement marin et l'exploration océanique. Cependant, une détection précise reste un défi en raison de la faible illumination, des petits objets flous et des interférences de fond complexes. Bien que les détecteurs basés sur les réseaux neuronaux convolutionnels aient amélioré les performances de détection, de nombreuses approches existantes sont coûteuses en calcul, limitant leur déploiement sur des plateformes sous-marines à ressources contraintes. Méthodes Pour relever ces défis, nous proposons YOLOv8n-PFA, un cadre de détection d'objets sous-marin léger et de haute précision. La méthode proposée introduit un nouveau module d'Attention à Fusion Parallèle (PFA) modélisant en parallèle l'attention canal et spatiale à l'aide de connexions résiduelles pour renforcer les caractéristiques discriminantes tout en supprimant le bruit de fond. La perte Wise Intersection over Union (WIoUv3) est incorporée pour stabiliser l'entraînement et améliorer la précision de localisation. De plus, des convolutions en profondeur (DWConv) sont appliquées stratégiquement pour réduire le nombre de paramètres du modèle et la complexité de calcul. Pour valider davantage la capacité de généralisation, le module PFA est aussi intégré dans YOLOv11n. Résultats Les résultats expérimentaux montrent que YOLOv8n-PFA atteint 84,2 % de moyenne de précision (mAP) sur le jeu de données URPC2020 avec 2,68 M de paramètres et 7,7 GFLOPs, ainsi que 84,8 % de mAP sur le jeu RUOD avec 2,98 M de paramètres et 7,9 GFLOPs. Lorsqu'il est intégré à YOLOv11n, le modèle atteint 84,7 % de mAP sur URPC2020 et 85,3 % sur RUOD avec seulement 2,76 M de paramètres et 6,5 GFLOPs. Sur les deux ensembles de données, l'approche proposée améliore la mAP de 2,8 à 4,1 % par rapport aux modèles de référence tout en maintenant une architecture légère. Discussion Les résultats démontrent que le cadre proposé fournit une solution efficace et informatiquement efficiente pour la détection en temps réel de cibles sous-marines dans des environnements marins difficiles. Les gains de performance constants à travers les différentes générations YOLO confirment en outre la scalabilité et la robustesse du module PFA proposé.