面向水下长距离搜索的轻量化前视声呐小目标检测框架LSOD研究

针对前视声呐图像小目标检测(FLSIOD)中存在的弱信号、高噪声及计算效率低等难题，研究团队提出轻量化检测框架LSOD。通过CMA-Stem模块增强特征保留、GHG模块扩展感受野、DAC Conv抑制噪声干扰，在自建NKFLS数据集(含22.89%小目标)上实现参数量降低32.59%、小目标检测精度提升5.54%，为水下无人系统提供高效解决方案。

　　

水下环境中的目标探测是海洋资源开发、水下搜救等任务的核心挑战。由于光波在水中快速衰减，声呐成像成为主要探测手段，其中前视声呐(Forward-Looking Sonar, FLS)因其广角覆盖特性被广泛应用于长距离搜索。然而随着探测距离增加，目标在声呐图像中占比可低至0.02%，加之水下能量衰减和洋流干扰，小目标特征严重退化，形成"弱信号-强噪声"耦合的检测难题。现有公开数据集如UATD中小目标占比不足，而合成数据与真实环境存在显著差异；传统检测方法多针对近距离大目标设计，难以应对长距离搜索场景的特殊需求。

为解决这一技术瓶颈，中国的研究团队构建了真实湖泊环境下采集的NKFLS数据集(含5502张图像)，并提出轻量化小目标检测框架LSOD。该研究通过三个创新模块：通道多路径聚合茎(CMA-Stem)在减少参数的同时保留全局背景信息，引导式层级聚集模块(GHG)整合多尺度特征扩展有效感受野，以及基于动态协作卷积(DAC Conv)构建的DACSNet抑制耦合噪声干扰。实验表明，LSOD在保持轻量化(参数量减少32.59%)的前提下，整体检测精度提升1.68%，小目标检测性能显著提高5.54%，相关成果发表于《Expert Systems with Applications》。

关键技术方法包括：1) 在真实湖泊环境采集5502张FLS图像构建NKFLS数据集；2) 设计CMA-Stem模块实现低参数下的特征保留；3) 开发GHG模块通过层级特征聚合增强小目标表征；4) 提出DAC Conv动态卷积优化特征融合；5) 采用SIMAM注意力机制提升局部细节分辨率。

研究结果：
CMA-Stem模块：通过多路径通道聚合策略，在4倍下采样时仍能保持小目标的边缘特征，相比传统stem结构减少15.7%特征丢失。
GHG模块：采用金字塔式特征收集机制，使有效感受野扩大2.3倍，小目标检测召回率提升4.2%。
DACSNet结构：基于DAC Conv构建的动态融合网络，在特征融合阶段将噪声干扰降低31%，同时维持98.6%的原生特征分辨率。
整体性能：在NKFLS测试集上，LSOD的mAP达到68.92%，较基线模型提升1.68%，其中<20×20像素小目标检测精度提升5.54%。

结论与讨论：该研究首次系统解决了FLS图像中"小目标-高噪声"耦合检测难题，通过轻量化设计使模型更适合边缘设备部署。NKFLS数据集的发布填补了真实水下小目标数据的空白，GHG模块的感受野扩展策略为跨模态小目标检测提供新思路。值得注意的是，DAC Conv在声呐图像中的优异表现，提示动态卷积在医学影像等弱信号检测领域具有推广价值。未来工作可探索多物理场联合建模，进一步克服复杂水下环境的干扰问题。