CIDNet：基于跨尺度干扰挖掘的水下目标检测网络及其在海洋资源开发中的应用

针对水下图像色彩偏差和低可见度导致的检测难题，研究人员提出跨尺度干扰挖掘检测网络(CIDNet)。该网络通过残差主干网络提取多维特征，结合动态干扰挖掘金字塔模块(DIFPN)和三维卷积优化策略，显著提升复杂水下场景中隐藏目标的检测精度。实验证明其在DUO和COCO数据集上超越现有方法，为AUV(自主水下航行器)作业提供关键技术支撑。

　　

海洋覆盖地球71%表面积，蕴藏着丰富的生物与矿产资源，水下目标检测技术对海洋经济开发、生态保护至关重要。然而，水下环境存在光照不均、低对比度、动态干扰等挑战，传统卷积神经网络(CNN)方法易丢失细粒度特征，难以满足AUV(自主水下航行器)实时作业需求。现有方法如YOLO、RT-DETR等虽取得进展，但存在计算复杂度高、通道维度不一致等问题。

针对这些瓶颈，中国研究人员提出CIDNet网络。该研究通过整合三维卷积与动态干扰挖掘策略，构建跨尺度特征融合体系，在DUO和COCO数据集上实现精度突破。论文发表于《Knowledge-Based Systems》，为复杂水下环境检测提供新范式。

关键技术包括：1)采用ResNet(残差网络)主干解决梯度消失问题；2)动态干扰挖掘金字塔模块(DIFPN)结合1×1三维卷积优化特征映射；3)通道维度统一策略消除层级间差异；4)任务对齐检测头模块协同分类与定位任务。实验使用DUO数据集(7782张水下图像)和通用COCO数据集验证性能。

【Related works】
分析指出现有方法分为通用检测、水下检测和跨尺度检测三类，强调水下场景特有的色彩失真和尺度变异问题。

【Overview】
CIDNet架构通过ResNet提取多维度特征，经DIFPN模块进行跨尺度融合，结合自适应特征映射优化，最终由任务对齐检测头输出结果。三维卷积的引入增强了对微纹理特征的捕捉能力。

【Datasets】
在DUO数据集(训练集6671张/测试集1111张)上验证显示，CIDNet对低质量水下图像的检测鲁棒性显著优于基线模型，尤其在小型生物检测任务中AP(平均精度)提升12.7%。

【Conclusion】
研究表明CIDNet通过动态干扰挖掘和通道统一策略，有效解决水下检测的三大痛点：色彩失真、低对比度和多尺度变化。其创新性在于：1)将三维卷积引入特征金字塔；2)开发动态尺度调整机制；3)优化计算效率。该技术对海洋资源勘探、生态监测具有重要应用价值。

作者Gaoli Zhao等指出，未来可结合Transformer架构进一步增强长程依赖建模。基金信息显示该研究获中国博士后科学基金(2024M750747)等支持，体现国家在海洋科技领域的投入布局。