.png){kind=icon}
返回
Hcl-yolo: a lightweight and efficient underwater object detection algorithm
.png){kind=icon}
PRE
AI
DOI：10.1007/s11554-025-01674-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着海洋经济的快速发展和海洋资源的持续深度开发，目标检测技术在海洋科学研究、生态保护、渔业管理及海洋工程等领域的应用日益重要。然而，水下背景环境的复杂性、生物间的重叠遮挡以及小目标的检测困难，加之大型模型在实际应用中的问题，均增加了检测难度。本文提出了一种基于改进YOLOv10n的HCL-YOLO检测算法以解决上述问题。首先，提出定位增强模块（LE）以解决被遮挡物体的检测问题。通过提取空间和通道维度的位置信息，提升模型对全局信息的关注度，从而增强模型对遮挡物体的推理能力。其次，提出跨尺度特征融合（CSFF）颈部结构，以增强模型的特征交互能力和多尺度目标特征融合能力，进而提高小目标的检测精度。最后，引入HetConv并重新设计C2f模块，使骨干网络呈现异构核的形式。这确保了骨干网络的特征提取能力，同时减少了模型参数和计算量。在URPC、DUO和ROUD数据集上进行多组实验对比，结果表明，HCL-YOLO模型相比YOLOv10n参数量减少40.7%，浮点运算量减少27.4%，FPS提升24，mAP0.5分别达到83.9%、86.6%和84.3%。实验结果证明，HCL-YOLO模型在水下检测任务中表现出色。
Keyword:
Deep learning
Underwater object detection
Lightweight network
YOLOv10n
期刊
IF:
3
论文数:
410
被引数:
2.0K
机构
引用论文
GUCL: Generalization of underwater color-line model for underwater image enhancementGUCL: 用于水下图像增强的水下色线模型的推广
PREAI
分享收藏A gated cross-domain collaborative network for underwater object detection一种用于水下目标检测的门控跨域协作网络.png)
PATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏分享收藏ECA-Net: Efficient Channel Attention for Deep Convolutional Neural NetworksEca-net: 深度卷积神经网络的高效信道关注OAAI
OAAI分享收藏
查看更多内容