基于小样本侧扫声呐水雷探测的轻量级目标检测器系统基准评测

《Journal of Marine Science and Engineering》：A Systematic Benchmark of Object Detectors for Small-Sample Side-Scan Sonar Mine Detection

　　

侧扫声呐（SSS）图像中的水雷探测受到目标尺寸小、斑点噪声强和数据严重稀缺的制约。现有研究大多将面向自然图像的改进移植到声呐场景，其在小样本条件下的有效性缺乏统一验证。本研究在公开的侧扫声呐类水雷目标数据集SSS-MLOD上对轻量级目标检测器进行了系统基准评测。在统一协议下，比较了五种YOLO变体在从零训练和COCO预训练迁移学习条件下的表现，并评估了25项结构、损失和数据侧改进。结果表明，轻量级基线之间的差异很小（mAP50为0.732至0.753），仅在243张训练图像上进行迁移学习即可获得最大的单项增益（YOLOv13n的mAP50从0.742提升至0.856），而在该数据集上从零训练时，25项改进均未观察到优于基线的效果。提高输入分辨率可使YOLOv5n和YOLOv8n的mAP50:95提升0.044至0.049，但会降低YOLOv11n的性能，表明分辨率的收益依赖于架构；在精确率约束为0.85的条件下，结合调优置信度阈值的测试时增强（TTA）使召回率提升0.035。最佳配置为采用迁移学习的YOLOv13n，其mAP50达到0.856，召回率达到0.757。上述发现为自主水下航行器（AUV）等资源受限应用中的检测器选型与配置提供了基于证据的参考。

研究背景方面，水雷对海军行动与海上交通构成持续威胁，快速可靠探测是猎雷任务长期需求。侧扫声呐（SSS）因沿航迹分辨率高、可高效勘测大面积区域而成为常用传感器，其图像由沿测线记录的后向散射声强形成，类水雷目标通常表现为紧凑高亮区并伴随细长声影，这种“高亮—声影”结构而非目标纹理是主要探测线索，而成像过程引入的强乘性斑点噪声增加了目标与海底杂波区分的难度。该任务对学习型检测器提出三重挑战：训练数据稀缺，公开水雷探测数据集仅含数百张图像且标注需领域专业知识；目标极小，所用公开SSS-MLOD数据集中694个标注目标的78.1%短边小于32像素，中位尺寸为24像素；类水雷目标的纹理与形状多样性有限，其外观本质上是随声照与海底条件变化的“高亮—声影”结构。早期SSS目标探测依赖模板匹配与基于阴影的手工特征推理，需在多变海底条件下仔细调参；此后深度学习方法成为主流。在YOLO系列中，已有SS-YOLO、SOCA-YOLO、结合扩散模型与改进YOLOv7的方法、YOLOv11-SDC等研究，另有针对v8至v13的评测确认跨架构存在较大迁移学习增益。迁移学习在该领域价值显著，但如何配置迁移仍是实际问题：冻结骨干可降低过拟合风险却可能限制域适应，全微调则在小数据集上带来更大的优化空间。方法论上，小目标特性促使研究者从自然图像研究移植丰富工具箱，包括增加浅层检测头、注意力机制、特征金字塔变体、动态上采样、轻量下采样算子、检测头重构与专用损失函数；部署侧则关注无需重训即可提升精度的技术，如输入分辨率缩放、切片辅助推理（SAHI）、测试时增强（TTA）与置信度阈值选择。然而既有文献的数据集、训练配置、输入分辨率、数据划分与评测设置各不相同，跨研究比较困难，实践者在自主水下航行器（AUV）等算力受限平台上缺乏组合这些设计选择的明确指导。为此本研究提出三个研究问题：RQ1，在域间差异大的小样本条件下应如何配置迁移学习，全微调是否优于冻结骨干；RQ2，在不重训检测器的前提下，推理侧（输入分辨率、TTA、置信度阈值选择）能带来多少贡献；RQ3，在统一协议下，近期声呐探测文献中流行的结构改进对本任务的有效性如何。

研究人员在公开的双类侧扫声呐类水雷目标数据集SSS-MLOD上开展了轻量级目标检测器的系统基准评测，所有实验遵循固定训练与评测协议，并以基于运行间噪声带的显式显著性判据解释差异。研究比较了五种YOLO变体在从零训练与COCO预训练迁移学习下的表现，并在同一框架内评估了近期文献报道的25项结构、损失与数据侧改进。研究得出，轻量级基线之间的代际差异较小，迁移学习是检测精度的主导增益来源；结构改进的有效性依赖架构与领域，输入分辨率缩放对较旧架构有益而对较新架构无益，联合调优TTA与置信度阈值可在精确率0.85约束下将召回率提升0.035；最佳配置YOLOv13n结合迁移学习取得mAP50为0.856、召回率0.757，为本协议下观测到的最高值，且与既往在该数据集上以不同训练集与评测协议取得的最强结果不可直接比较。其意义在于为资源受限应用中的检测器选型与配置提供基于证据的参考，并明确了小样本区间内方法选择的参考结果。

关键技术方法方面，研究使用公开的SSS-MLOD数据集，图像采集自2010至2021年间由搭载于Teledyne Marine Gavia自主水下航行器的900–1800 kHz Marine Sonic双频侧扫声呐，筛除无目标与零尺寸标注后保留304张含目标图像、694个标注对象（459个MILCO与235个NOMBO），按8:2划分为243张训练图像与61张验证图像并采用分层采样。实验基于Ultralytics YOLO框架，输入640×640（另设1280×1280组），采用随机梯度下降（SGD），初始学习率0.01、动量0.937、批大小16，最多训练2000轮并以验证mAP50早停，随机种子固定为0，在单块NVIDIA GeForce RTX 4060 Laptop GPU上以PyTorch 2.1.1、CUDA 11.8与Ultralytics 8.3.13完成。评测采用精确率（P）、召回率（R）、mAP50与mAP50:95，并以0.02作为mAP50的运行间噪声带判据。迁移学习采用COCO预训练权重全微调，并考察冻结骨干前4、6、10层的配置；推理侧考察输入分辨率缩放、水平翻转TTA与在精确率不低于0.85约束下最大化召回率的置信度工作点选择。

研究结果方面，在基线与迁移学习（RQ1）部分，从零训练的五种检测器mAP50聚集于0.732至0.753的窄区间，YOLOv11n最高（0.753），在±0.02噪声带下被视为大致相当，而mAP50:95差异更宽（YOLOv11n为0.610，YOLOv13n为0.542）；迁移学习使所有检测器获得超过噪声带的提升，mAP50增益从YOLOv11n的+0.041（0.794）到YOLOv13n的+0.114（0.856），召回率响应更具异质性，YOLOv13n达到0.757、较从零训练提升+0.099，YOLOv11n则小幅下降0.025；据此得出迁移学习在该小样本条件下对五种架构均明显有益且收益大小依赖架构，YOLOv13n因兼具最高mAP50与最高召回率而成为本数据集上适合漏检敏感需求的参考架构。在冻结骨干配置部分，YOLOv11n冻结前4层相对全微调损失0.024 mAP50、冻结前6层损失0.045，冻结前10层降至0.622、低于其从零训练基线；YOLOv8n退化更陡，冻结前4层即损失0.053，冻结前10层降至0.555；由此得出冻结代价随深度分级而非二元，且mAP50:95与召回率的退化早于且快于mAP50，冻结主要损害跨IoU阈值的定位质量与召回率，YOLOv8n对冻结的容忍度低于YOLOv11n。在结构、损失与卷积改进部分，29项配置无一超过从零训练基线的噪声带，最佳为SPPF前插入CBAM（+0.003）与EfficientViM替换全部C3k2块（+0.002）；退化集中于损失目标替换、检测尺度增删与C3k2块的部分替换；所有29项配置的mAP50:95均低于基线（最佳DySample为0.584对0.610）；召回率方面无配置超过基线0.696的噪声带，最高为SPPF前插入CBAM（0.711），是唯一在保持mAP50带内同时小幅提升召回率的配置；由此得出这些改进的收益具有数据集条件性而非普适性。在输入分辨率部分，分辨率翻倍的效果依赖架构并分为三组：YOLOv5n在四项指标上均提升（mAP50、mAP50:95与召回率分别+0.027、+0.049、+0.023），是唯一在精度与召回率上均受益的架构；YOLOv8n的mAP50:95提升+0.044而其余指标在带内；YOLOv10n除mAP50:95下降0.023外均在带内；YOLOv11n是唯一整体退化的架构，mAP50:95下降0.076、召回率下降0.062；由此得出分辨率缩放的价值无法由基线精度预测，须逐架构验证。在数据侧方法部分，两种复制—粘贴变体使四项指标均超出噪声带退化（mAP50分别下降0.062与0.068），增加约165%的合成图像未能弥补粘贴目标与真实声呐背景之间的域间差异；Frangi滤波限定于目标条带时mAP50（+0.017）、精确率（+0.008）与mAP50:95（?0.014）均在带内、召回率?0.022略超带外，是唯一在精度指标上保持基线水平的配置，而全局应用使召回率下降0.090、mAP50下降0.033；切片训练在官方整图验证协议下四项指标均超出带外退化（mAP50为?0.036），离线整图评测为0.735、仍在带内；由此得出五项数据侧配置均未在噪声带外改善任何指标，且以漏检敏感标准衡量仅条带限定的Frangi增强可接受。在TTA与部署工作点部分，默认工作点（无TTA、置信度0.25）离线精确率为0.9566、召回率为0.6707；无TTA时降低阈值至0.08使精确率降至0.8537、召回率升至0.6964；启用TTA后，置信度0.45时精确率0.8543满足不低于0.85的约束、召回率达0.7057（相对默认点+0.0350），为满足精确率约束时的推荐工作点；召回优先时TTA配合置信度0.05使离线召回率升至0.7626、精确率0.8217；在官方验证协议下同一配置（TTA启用、置信度0.05）取得精确率0.8677、召回率0.7034、mAP50为0.8217、mAP50:95为0.6561，相对官方迁移基线mAP50增益+0.028超过噪声带而mAP50:95变化（+0.008）在带内；由此得出TTA是唯一带来可测推理侧增益的技术且须与置信度阈值联合选择，工作点须与精确率约束共同确定。

讨论部分指出，最一致的模式是效应量的不对称：迁移学习结合推荐的TTA工作点在效应量上占主导，而29项结构与损失配置均在基线噪声带内（最佳为SPPF前插入CBAM的+0.003），数据侧方法亦无一超出噪声带且有四项在两个mAP指标上超出带外退化。在243张训练图像的小样本条件下，该数据集上的约束性限制并非表征能力，而是优化过程中可用的监督量，预训练权重直接提供该监督量，而架构改进只能间接利用。机制层面，文献发现注意力型与卷积型架构即便在下游精度相当的情况下也会形成系统性不同的内部表示，因此所评估模块编码的是面向其开发所用大规模基准的归纳偏置，243张训练图像不足以使这些偏置适应斑点噪声、阴影模式与海底杂波的局部统计特性；这一解释与三项观察一致：MCAttn的放置梯度（替换全部C3k2块在带内而部分替换不在）、SPPF前同一位置插入注意力的模块特异性（CBAM达+0.003而独立MCAttn下降0.056）、以及所有带内配置均保持原始拓扑而非增加并行分支。该解释也调和了本研究结果与已发表声呐探测文献：SOCA-YOLO在同一公开数据集上以不同源数据集训练时报告泛化mAP50为83.7，SS-YOLO、SDC等在其各自数据集上报告了结构重构带来的显著增益，这些研究的训练集规模远大于此处的243张图像划分，处于样本量坐标轴的不同区段，本研究界定的是该坐标轴的小样本端而非对其构成反驳，且因训练集与协议不同，比较仅为指示性而非直接比较。部署指南按漏检敏感需求排序：首先采用全微调迁移学习并避免骨干冻结，冻结超过四层即造成超出噪声带的召回率损失、深度冻结下可达0.233；其次在所评估架构中，迁移学习下的YOLOv13n在本数据集上提供最佳组合（mAP50为0.856、召回率0.757），而当更高分辨率有益时选择1280输入的YOLOv5n；第三启用TTA，精确率需保持不低于0.85时用置信度0.45，召回优先时用置信度0.05；第四在各项改进中仅SPPF前插入CBAM与漏检敏感需求相容，检测头手术、损失替换与复制—粘贴使召回率超出带外退化，应以召回率而非仅mAP50进行筛选；第五基于Frangi的阴影增强仅在限定于目标条带时可接受；这些建议按组件给出，不应在未经独立验证的情况下叠加为单一配置，因为各组件设置均在同一验证集上选定。局限性包括五点：所有运行使用单一随机种子，±0.02噪声带为基于文献的约定而非本数据集重复运行的实证估计；仅有61张图像的验证划分而无独立测试集，图像级划分无法排除同一测线的相邻帧，原始发布中空海底帧被排除；数据来自单一AUV与单一声呐配置；改进扫描仅覆盖YOLOv11n；若干配置的GFLOPs未在部署分辨率下测量，TTA代价仅作定性描述；分辨率扫描未包含YOLOv13n，嵌入式硬件上的实测时延与功耗仍待验证。

研究结论译为：本文在包含243张训练图像与61张验证图像、目标短边中位数为24像素的公开双类类水雷目标数据集上，提出了面向小样本侧扫声呐水雷探测的轻量级目标检测器系统基准评测，围绕三个研究问题在统一协议下开展了五十项实验，并将水雷探测以召回率为导向的需求与mAP一并分析。针对RQ1，全微调迁移学习在该数据集上明显有益，五种架构的mAP50提升+0.041至+0.114，YOLOv13n达到0.856 mAP50与0.757召回率；冻结骨干的精度与召回率损失随深度成比例增加，超过浅层冻结后转为有害。针对RQ2，将输入分辨率翻倍至1280×1280的效果依赖架构，对YOLOv5n提升全部指标但降低YOLOv11n的召回率与mAP50:95，而测试时增强提供了唯一可测的推理侧mAP增益，官方协议下为+0.028，推荐的TTA配合置信度0.45工作点在精确率0.85约束下恢复召回率+0.0350。针对RQ3，29项结构与损失改进及五项数据侧配置在该数据集上均未在±0.02噪声带外改善任何指标，而若干项使召回率超出带外退化；出现的效果是放置与模块特异的，而非改进家族本身的属性。对实践者而言，结果可转化为简明准则：在此规模的小型声呐数据集上，应优先投入迁移学习、全微调与部署侧配置而非结构重构；将召回率作为首要选择标准；并在采用任何借用改进前于目标数据集上验证，因为已发表的大规模基准增益不会自动迁移到小样本区间。研究局限指向两个未来方向：以多种子训练与独立测试集重复基准评测，以实证置信区间替代基于文献的噪声带；并将评估扩展到更多声呐平台、频率与海底环境，以检验所报告阈值与工作点的可迁移性。