基于小波变换与特征融合增强的轻量化水下目标检测器WDF-YOLO

《Journal of King Saud University Computer and Information Sciences》：WDF-YOLO: a lightweight wavelet and feature-fusion enhanced detector for underwater object detection based on YOLOv12n

　　

针对YOLOv12n模型在复杂水下环境中存在的全局上下文捕获不足、检测精度受限以及下采样过程中特征信息丢失等固有局限，本文提出了一种名为WDF-YOLO的轻量化增强模型。研究人员通过实验结果分析基线模型的约束条件，优化了结构配置，并引入三个核心模块以提升水下目标的检测性能。小波变换增强通道扩展并行模型（WTECEP）增强了模型捕获低频形状特征、全局上下文和深层语义信息的能力。多策略增强下采样模块（DS-MSE）在保持模型参数量平衡的同时减少了下采样过程中的特征损失。此外，融合空间金字塔池化残差模块（FSPPR）将多路径特征与空间金字塔池化结构相结合，以平衡目标尺度适应性与计算效率。实验结果表明，WDF-YOLO在URPC2021数据集上达到83.5%的mAP50，较基线YOLOv12n提升2.4个百分点（pp）。该模型仅有1.94M参数量和5.9 GFLOPs的计算复杂度，在减小模型规模的同时提升了整体检测精度与召回率。此外，在RUOD和WSODD数据集上的多数据集评估表明，WDF-YOLO在两个额外基准上均持续优于YOLOv12n基线。

一、研究背景与问题

目标检测是计算机视觉的基础任务，YOLO系列是最具代表性的实时检测方法。YOLOv12n作为2025年提出的前沿轻量化模型，在MS COCO等通用基准上实现了精度与速度的良好平衡，但其区域注意力机制在严重光畸变与特征模糊的水下环境中存在明显局限。实验显示，YOLOv12n在URPC2021数据集上的mAP₅₀较YOLOv8n至YOLO11n等同规模前代最佳模型下降2.3个百分点，同样采用区域注意力机制的YOLOv13也呈现类似2.2个百分点的性能差距。研究人员分析认为，区域划分机制虽能显著降低计算复杂度，却削弱了模型捕获全局上下文信息的能力，使小规模模型难以兼顾局部特征提取与长程依赖建模，这构成了开展本研究的直接动机。

二、研究内容与结论

研究人员以YOLOv12n为基础架构，通过对比实验厘清了不同规模YOLOv12模型对区域划分的适应性特征，验证了A2C2f模块残差连接可有效弥补小规模模型在全局上下文捕获方面的不足，并据此提出WTECEP、DS-MSE与FSPPR三个核心模块，构建了WDF-YOLO模型。结论表明，该模型在URPC2021上取得83.5%的mAP₅₀与77.7%的召回率，参数量与计算量分别降至1.94M和5.9 GFLOPs，并在RUOD与WSODD数据集上稳定优于基线，说明其在复杂水下环境中兼顾了检测精度、模型轻量化与实时推理能力，为退化水下环境下的专用检测器设计提供了可行路径。

三、关键技术方法

研究采用的关键技术包括：基于db1小波基的多级小波变换卷积（WTConv），通过低频与高频子带独立卷积及逆变换扩展感受野；通道扩展深度可分离卷积（CEDSConv），引入通道扩展因子（expand_ratio）并对齐通道数为8的倍数以突破特征维度瓶颈；多策略增强下采样模块（DS-MSE），按网络层级自适应选择WTConv残差或深度卷积（DWConv）进行信息补偿；融合空间金字塔池化残差模块（FSPPR），结合C2f特征复用、UniversalInvertedBottleneck与SPPFC多尺度池化。实验数据来源于URPC2021（7383幅图像，按8:2划分训练集5907幅与验证集1476幅）、RUOD（14000幅高分辨率图像，训练9800幅、测试4200幅）与WSODD（7467幅图像，按8:2随机划分）三个公开数据集。

四、研究结果

4.1 环境配置：实验在Intel Core i5-10400F CPU与NVIDIA GeForce RTX 4070 Ti Super GPU平台上开展，软件环境为Windows 10、Python 3.11、CUDA 12.9与cuDNN 9.7.1。

4.2 数据集与评价指标：研究以精确率、召回率、mAP₅₀、mAP_50?95及mAP_S、mAP_M、mAP_L衡量精度，以参数量、FLOPs与FPS衡量复杂度，FPS经五次重复推理并剔除极值后取均值，且统一关闭FlashAttention以保证公平比较。

4.3 所提模型对比分析：与YOLOv8n、YOLOv9t、YOLOv10n、YOLO11n、YOLOv12n、YOLOv13n、AMSP-UOD及D-FINE对比，WDF-YOLO在轻量化YOLO模型中取得最高mAP₅₀与召回率，参数量与FLOPs均为最低，FPS为40.9，仍高于AMSP-UOD与D-FINE，保持实时推理能力。

4.4 YOLOv12水下检测行为分析：在第七层A2C2f上对n、s、m、l四种规模开展区域数对比实验，发现最优区域数随模型规模变化，n规模在2区域设置下四项指标均为最佳；减少区域划分会增加训练显存，而仅启用残差连接时显存占用与原配置接近，故研究不优化区域数而以残差连接补偿全局上下文建模的不足。三种规模的残差连接对比显示，YOLOv12n与YOLOv12s指标提升或持平，YOLOv12m则出现下降，说明残差连接的效果取决于模型容量、特征融合策略与任务数据分布之间的平衡。

4.5 消融实验：以启用残差连接的YOLOv12n为基线，FSPPR、DS-MSE与WTECEP单独引入分别将mAP₅₀提升至82.2%、82.9%与83.3%，三者同时启用达83.5%；DS-MSE对mAP_S贡献最大，WTECEP对mAP_M与mAP_L贡献最大；全模型参数量与GFLOPs均下降，但FPS由50.4降至40.9，速度代价主要来自小波变换的分解与重构开销。

4.6 多数据集评估：在RUOD与WSODD数据集上各模型独立训练与评估，结果表明WDF-YOLO在两个额外基准上均持续优于YOLOv12n基线。

五、讨论与结论

讨论部分指出，区域注意力在小规模模型中的性能退化源于感受野与全局信息融合之间的矛盾，残差连接并非普适增益手段，需结合模型容量与数据分布评估；同时，DS-MSE与WTECEP带来的推理速度下降表明推理效率仍有进一步优化空间。研究结论可译为：为解决YOLOv12n模型在复杂水下环境中全局上下文捕获不足、检测精度受限以及下采样过程中特征信息丢失等固有局限，本文提出了一种名为WDF-YOLO的轻量化增强模型。研究人员通过实验结果分析基线模型的约束条件，优化了结构配置，并引入三个核心模块以提升水下目标的检测性能。小波变换增强通道扩展并行模型（WTECEP）增强了模型捕获低频形状特征、全局上下文和深层语义信息的能力。多策略增强下采样模块（DS-MSE）在保持模型参数量平衡的同时减少了下采样过程中的特征损失。此外，融合空间金字塔池化残差模块（FSPPR）将多路径特征与空间金字塔池化结构相结合，以平衡目标尺度适应性与计算效率。实验结果表明，WDF-YOLO在URPC2021数据集上达到83.5%的mAP₅₀，较基线YOLOv12n提升2.4个百分点（pp）。该模型仅有1.94M参数量和5.9 GFLOPs的计算复杂度，在减小模型规模的同时提升了整体检测精度与召回率。此外，在RUOD和WSODD数据集上的多数据集评估表明，WDF-YOLO在两个额外基准上均持续优于YOLOv12n基线。