YOLOv8n-PFA: 어려운 환경에서 향상된 목표 탐지를 위한 병렬 융합 주의 네트워크

서론 수중 목표 탐지는 해양 환경 모니터링과 해양 탐사에서 중요한 역할을 합니다. 그러나 저조도, 흐릿한 작은 객체, 복잡한 배경 간섭으로 인해 정확한 탐지는 여전히 어렵습니다. 합성곱 신경망 기반 탐지기는 탐지 성능을 향상시켰지만, 많은 기존 방법들은 계산 비용이 높아 자원이 제한된 수중 플랫폼에 적용하기 어렵습니다. 방법 이러한 문제를 해결하기 위해, 우리는 경량이면서도 고정밀 수중 객체 탐지 프레임워크인 YOLOv8n-PFA를 제안합니다. 제안된 방법은 채널 및 공간 주의를 병렬로 잔차 연결을 이용하여 모델링하는 새로운 병렬 융합 주의(PFA) 모듈을 도입하여 변별적 특징을 강화하고 배경 잡음을 억제합니다. Wise Intersection over Union (WIoUv3) 손실을 포함시켜 학습 안정화와 위치 정확도를 향상시켰습니다. 또한, 깊이별 합성곱(DWConv)을 전략적으로 적용하여 모델 파라미터와 계산 복잡성을 줄였습니다. 일반화 능력 검증을 위해 PFA 모듈을 YOLOv11n에도 통합하였습니다. 결과 실험 결과에서 YOLOv8n-PFA는 URPC2020 데이터셋에서 2.68 M 파라미터와 7.7 GFLOPs 조건에서 84.2% 평균 평균 정밀도(mAP)를, RUOD 데이터셋에서 2.98 M 파라미터와 7.9 GFLOPs 조건에서 84.8% mAP를 달성했습니다. YOLOv11n에 통합하면 2.76 M 파라미터와 6.5 GFLOPs로 URPC2020에서 84.7%, RUOD에서 85.3% mAP를 얻었습니다. 두 데이터셋 모두에서 제안 방법은 경량 구조를 유지하면서 기준 모델 대비 2.8-4.1% mAP 향상을 나타냈습니다. 토론 결과는 제안된 프레임워크가 어려운 해양 환경에서 실시간 수중 목표 탐지를 위한 효과적이고 계산 효율적인 해결책임을 보여줍니다. 다양한 YOLO 세대에서 일관된 성능 향상은 제안된 PFA 모듈의 확장성과 강인함을 추가로 확인시켜줍니다.