.png){kind=icon}
返回
FEFM-YOLO11: Underwater Object Detection Algorithm Based on Improved YOLO11
.png){kind=icon}
OA
AI
DOI：10.1007/s11063-025-11805-2.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
水下目标检测技术被广泛应用于海底资源勘探和底栖环境监测；然而，水下环境由于光照不足和水质浑浊导致的能见度有限，带来了显著挑战，严重阻碍了检测任务的进行。为解决这些挑战并提升精度，本文提出了一种基于YOLO11改进的水下目标检测算法FEFM-YOLO11。首先，该算法将骨干网络中的两个C3K2模块替换为特征增强模块（FEM）。FEM采用多分支空洞卷积结构，增加了特征多样性，扩展了网络局部感受野，并增强了小目标的语义表示，从而强化了检测能力。随后，在Neck部分引入了情境感知融合模块（CAFM），该模块通过整合局部特征捕获（卷积操作）和全局特征提取（注意力机制），有效建模全局与局部特征，进而提升了去噪性能。此外，还加入了一个专用的小目标检测层，以专门提升对较小水下目标的检测性能。最后，采用Wise IoU损失函数进行综合评估和性能优化，各组件的协同集成有效减少了因目标密集聚集导致的遮挡漏检问题。在URPC2020数据集上的实验结果表明，改进后的算法相较于基线模型，mAP@50提升了2.0个百分点，mAP@50:95提升了1.9个百分点，证实了FEFM-YOLO11提高了检测精度，验证了所提方法的有效性和可行性。
Keyword:
YOLO11
Object detection
FEM
CAFM
Loss function
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.8
论文数:
176
被引数:
5.5K
机构
引用论文
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的r-cnn: 基于区域建议网络的实时目标检测OAAI
OAAI分享收藏An algorithm based on lightweight semantic features for ancient mural element object detection基于轻量级语义特征的古代壁画元素目标检测算法.png)
OAAI
IF0
OAAI分享收藏Real-time underwater object detection technology for complex underwater environments based on deep learning基于深度学习的复杂水下环境实时目标检测技术OAAI
OAAI分享收藏Underwater object detection and temporal signal detection in turbid water using 3D-integral imaging and deep learningOPTICS EXPRESSOAAI
OPTICS EXPRESSIF3.3
OAAI分享收藏
查看更多内容