YOLOv8n-PFA：一种用于复杂环境中增强目标检测的并行融合注意力网络

引言 水下目标检测在海洋环境监测和海洋探测中起着关键作用。然而，由于光照不足、小目标模糊及复杂背景干扰，准确检测仍具挑战性。尽管基于卷积神经网络的检测器已经提升了检测性能，但许多现有方法计算开销较大，限制了其在资源受限水下平台上的部署。方法 为应对这些挑战，我们提出YOLOv8n-PFA，一种轻量且高精度的水下目标检测框架。该方法引入了一种新颖的并行融合注意力（PFA）模块，通过残差连接并行建模通道和空间注意力，增强判别特征，同时抑制背景噪声。并结合使用智能交并比（WIoUv3）损失来稳定训练并提升定位准确度。此外，战略性地应用深度卷积（DWConv）以减少模型参数和计算复杂度。为进一步验证泛化能力，PFA模块还集成于YOLOv11n中。结果 实验结果显示，YOLOv8n-PFA在URPC2020数据集上以2.68M参数和7.7 GFLOPs达到84.2%的平均精度（mAP），在RUOD数据集上以2.98M参数和7.9 GFLOPs达到84.8% mAP。集成至YOLOv11n后，模型以仅2.76M参数和6.5 GFLOPs分别在URPC2020和RUOD上实现84.7%和85.3% mAP。在两个数据集上，所提方法较基线模型提升了2.8-4.1%的mAP，同时保持了轻量架构。讨论 结果表明，所提框架为复杂海洋环境中的实时水下目标检测提供了一种有效且计算高效的解决方案。不同YOLO版本中表现的持续提升进一步证明了PFA模块的可扩展性和鲁棒性。