YOLOv8n-PFA：難環境下でのターゲット検出を強化するための並列融合注意ネットワーク

はじめに 水中ターゲット検出は海洋環境監視および海洋探査において重要な役割を果たします。しかし、低照度、小さくぼやけた物体、複雑な背景干渉により、正確な検出は依然として困難です。畳み込みニューラルネットワークベースの検出器は性能向上に寄与してきましたが、多くの既存の手法は計算コストが高く、リソース制約のある水中プラットフォームでの展開が制限されています。 方法 これらの課題に対処するため、我々は軽量で高精度な水中物体検出フレームワークYOLOv8n-PFAを提案します。本手法は、新規のParallel Fusion Attention（PFA）モジュールを導入し、残差接続を用いてチャネル注意と空間注意を並列にモデル化し、判別特徴を強化しながら背景雑音を抑制します。Wise Intersection over Union（WIoUv3）損失関数を組み込み、トレーニングの安定化と位置精度の向上を図ります。さらに、深さ方向畳み込み（DWConv）を戦略的に適用し、モデルパラメータと計算量を削減します。一般化能力の検証のため、PFAモジュールはYOLOv11nにも統合されました。 結果 実験結果より、YOLOv8n-PFAはURPC2020データセットにて2.68Mパラメータ・7.7GFLOPsで84.2%の平均適合率（mAP）、RUODデータセットでは2.98Mパラメータ・7.9GFLOPsで84.8%のmAPを達成しました。YOLOv11nに統合した場合、2.76Mパラメータ・6.5GFLOPsでURPC2020にて84.7%、RUODにて85.3%のmAPを示しました。両データセットにおいて、提案手法はベースラインモデルよりも2.8〜4.1%mAPを向上させつつ、軽量なアーキテクチャを維持しました。 議論 結果は、提案フレームワークが困難な海洋環境におけるリアルタイム水中ターゲット検出に対し、有効かつ計算効率の高いソリューションを提供することを示しています。異なるYOLO世代にまたがる一貫した性能向上は、提案されたPFAモジュールのスケーラビリティと堅牢性をさらに裏付けます。