MSFANet：基于协同注意力与相似度适配激活的多分布声纳目标检测方法

《Ocean Engineering》：MSFANet: Collaborative attention and similarity-fitting activation for multi-distribution sonar target detection

　　•MSFANet提升了声纳图像中目标检测的准确性。•多变量相似性拟合激活机制增强了系统对斑点噪声和杂波的抵抗能力。•多维协同注意力机制在编码过程中弥补了弱目标的特征丢失问题。•局部重要性空间池化层能够放大局部特征，从而减轻海底回波的干扰。引言声纳技术（Sutton, 2005）通过利用多频声波来平衡探测距离与分辨率，被广泛应用于军事行动、海洋勘探、水下工程以及搜索任务等多个领域。然而，由于声纳图像普遍存在分辨率低、噪声严重的问题，再加上目标边缘模糊、信噪比低以及声学散射等因素的影响（Sutton, 2005），目标特征提取面临着巨大挑战。尤其是声纳图像中的弱目标，其在信噪比较低的条件下往往具有较低的目标与背景对比度，且高光与阴影结构不稳定，这使得它们很难与海底回波及斑点噪声区分开来（Tucker和Azimi-Sadjadi, 2011；Wang等人，2022）。此外，与光学图像相比，作为灰度数据的声纳图像信息密度要低得多（Li等人，2020），这进一步凸显了构建高精度声纳图像目标检测算法的必要性。在本研究中，多分布指的是前视声纳图像中目标的多样性，包括目标类别、几何形状、相对规模以及声学响应等方面的差异。这一概念用于描述不同目标外观、空间范围以及回波强度模式的共存情况。在回顾声纳图像目标检测技术的发展历程时，传统方法被视为该领域发展的基石，而其技术原理和应用局限则为后续算法创新提供了重要参考。Chen等人（2022）提出了一种结合像素级和区域级信息的声纳图像分割方法，通过利用像素与区域之间的关联关系，有效将图像分割为物体、阴影和背景区域。Tan等人（2024）基于ELM-AdaBoost算法提出了海底声纳图像分类方法，该方法从灰度共生矩阵中提取纹理特征作为ELM分类器的特征向量，从而在AdaBoost框架的基础上进一步提升分类性能。Lei等人（2024）则采用粒子群优化算法来优化多个特征向量的组合，实现自适应的特征选择与融合，进而提高了声纳图像目标检测的准确性与效率。上述方法主要依赖于手工设计的特征以及邻域关系建模，在面对复杂噪声或低分辨率条件时，其鲁棒性较差。传统的波束形成器和匹配滤波器由于角度和距离分辨率有限，且旁瓣水平较高，往往会导致声纳图像出现模糊现象，这严重影响了对弱小目标的检测。为了解决这类低对比度目标检测问题，人们还尝试了低秩分解和稀疏分解技术，以便从声纳图像的结构化背景杂波中分离出小目标成分（He等人，2023）。针对这一局限性，Zheng和Tian（2018）试图通过使用百分比占用命中或未命中变换以及Tsallis熵来增强侧扫声纳图像中微弱的小目标。B. Li等人（2025）则提出了一种基于改进的Richardson–Lucy算法的时空二维反卷积方法，用于增强声纳图像中的小型水下目标。然而，上述传统及改进方法仍然受到手工设计特征和固定参数模型的限制，在复杂水下环境中检测弱目标时，其鲁棒性和泛化能力不足。近年来，深度学习技术（Hinton, 1990）因具备强大的数据抽象能力和跨领域迁移学习功能，被广泛应用于水下声纳目标检测领域，能够在复杂的水下环境中展现出更优异的性能（S. Zhang等人，2024）。Chandrashekar等人（2023）采用双层CNN架构对侧扫声纳数据集进行迁移学习，以提高水下目标检测的准确性以及水下物体的多类识别能力。不过，仅仅依靠迁移学习和参数调整，并无法从根本上解决使用卷积神经网络进行水下目标检测和分类时存在的低精度问题。因此，Yupu等人（2022）对YOLOv3（Redmon和Farhadi, 2018）框架进行了改进，他们首先对真实值边界框应用K均值聚类，然后再通过基于超参数的锚框映射机制对聚类后的锚框进行拉伸处理，从而获得更符合声纳数据集特征的锚框。与之相反，近期的研究（Tang和Zhang, 2025）则转向了无锚框检测方法，这类方法无需预定义锚框，还能降低模型对超参数的敏感度。为了解决复杂的背景干扰问题，Qin等人（2024）在YOLOv7（C.Y. Wang等人，2023）的骨干网络中加入了注意力机制，以提高其处理具有复杂背景的声纳图像的能力。此外，他们还在网络的颈部结构中引入了多GnBlock模块，以促进关键特征之间的高阶交互。对于前视声纳图像目标检测，有研究通过改进YOLOv8，引入基于ConvNeXt的C2N模块来增强多尺度特征融合能力，同时还增加了浅层特征检测头，以提高对小目标的检测灵敏度。Zhu等人（2025）则将双向特征金字塔网络（BiFPN）（Chen等人，2021）集成到YOLOv11模型中，以此高效地融合多尺度特征，显著提升了模型检测不同大小目标的能力。在特征增强方面，Ge等人（2026）引入了自适应小波卷积技术（AWC）（Finder等人，2024），用于实现多频率特征增强及背景支撑，同时还采用了边界聚焦损失函数（BFLoss），以提高模型对决策边界附近小型或模糊目标的检测灵敏度。这种综合性的方法极大地提升了模型的检测能力以及在水下环境中的适应性。Cheng等人（2023）提出了一种混合上下文动态注意力机制（HCDAM），用于增强和优化局部提取的显著区域映射，进而提高目标分割的可靠性。另外，Zhao等人（2024）开发了一种自适应前景特征对齐模块，该模块能够对相邻信号与当前信号之间的前景信息进行对齐，从而充分利用前景特征来强化小目标的特征表现。尽管上述方法已经取得了一定的性能提升，但大多数并非专门为检测水下声纳图像中的弱小目标而设计。针对前视声纳图像中的弱小目标检测，Wang等人（2022）基于YOLOv5开发了一种多分支穿梭型神经网络，旨在提高在弱目标条件下的检测精度和推理速度。这类研究表明，弱目标检测不仅需要多尺度表征，还需要专门的特征保留和背景抑制机制。近年来，更有针对性的研究开始涌现。Yang等人（2025）构建了一个超分辨率分支，该分支能够整合来自骨干网络的低级和高级特征。他们采用指数衰减策略来确定不同分支的损失权重，从而建立一种分支感知型训练机制，以提高模型提取小目标特征的能力。T. Li等人（2025）则提出了一种结合马尔可夫随机场区域提取技术与改进型卷积神经网络的方法，用于水下小目标检测，该方法可以有效减少虚假目标对物体分类的干扰。Zou等人（2025）基于YOLOv11设计了一种新型的稀疏特征模块，该模块取代了原有的空间金字塔快速池化模块（SPPF），用以更好地筛选小目标对象的特征。这些研究试图融入特征超分辨率和上下文信息挖掘等理念，旨在在像素层面恢复并增强弱小目标的特征表现。然而，如何在不大幅增加模型推理计算成本的情况下，实现对弱小目标的高效精准检测，依然是一个亟待解决的难题。虽然这些方法能够从多个维度提取和增强特征，但仍存在若干局限性：（1）较低的信噪比会掩盖目标的关键特征，从而降低识别性能；（2）在网络传播过程中，弱目标的特征信息会逐渐减弱；（3）海底回波会形成大量的杂波，严重干扰目标检测。为了解决这些局限性，我们提出了一种名为多变量相似性拟合激活网络（MSFANet）的新型端到端目标检测框架，该框架专为声纳图像中多分布的小型弱目标检测而设计。在经典的CSP骨干网络和颈部网络架构的基础上，我们引入了多变量相似性拟合激活模块（MSFA），该模块利用高斯径向基函数（RBFs）（Er等人，2002）来实现对输入数据的快速非线性映射。本项工作的主要贡献如下：（1）为了解决因低信噪比导致关键特征被掩盖而带来的声纳目标识别难题，我们利用SiLU的自门控特性以及高斯径向基函数的局部敏感性，构建了一种互补的双空间映射机制，从而有效减轻斑点噪声和背景杂波的负面影响，提高声纳图像中目标与背景的分离度，进而显著增强低对比度目标的边缘保持能力。（2）为了解决弱目标在编码过程中特征信息逐渐丢失的问题，我们在尺寸缩放阶段引入了多维协同注意力机制（MCA），以此丰富多维信息内容。（3）为了解决由海底回波引起的杂波干扰问题，我们设计了局部重要性空间池化层（LISPL），用于放大具有区分度的局部特征。章节片段MSFANet架构设计所提出的多变量相似性拟合激活网络（MSFANet）是以YOLOv8n为基础构建的。如图1所示，该架构由三个部分组成：骨干网络、颈部网络以及检测头。具体而言，YOLOv8n的骨干网络包括一个初始的3×3卷积层，以及四个特征提取阶段，每个阶段由一个下采样卷积操作 followed by a C2f模块，最后是一个SPPF模块。基于这一结构，MSFADataset统计数据本研究中所使用的前视声纳数据集是由彭城实验室采集的（Xie等人，2022），共计包含7600张在模拟水下环境中拍摄的图像。这些图像涵盖了十种不同的目标类型：三种规则几何形状的物体（立方体、球体和圆柱体），以及七种常见的水下物体（人体、轮胎、圆形笼子、方形笼子、金属桶、飞机和遥控潜水器）。这些数据是从两个不同的水下地点采集的：金石滩的沿海水域。消融实验通过对基准模型逐步整合这三个关键组件，我们对所提出的模块进行了消融研究。如表2所示，这三个提出的模块在不同程度上提升了检测性能。与YOLOv8n基准模型相比，MSFANet将mAP75值从66.2%提升到了70.2%，提升了4.0个百分点，取得了最佳的总体检测精度。这表明MSFA、MCA和LISPL三者能够相互补充，发挥协同作用。在结论部分，本研究解决了在复杂声纳图像中进行水下目标检测这一关键问题，因为在海上救援和打捞作业中，声学散射和海底回波常常会影响到检测的可靠性。为了解决这些问题，我们提出了多变量相似性拟合激活网络（MSFANet）这一新型框架，该框架旨在提高对各种形状目标的检测精度，同时降低环境干扰带来的误报率。致谢作者声明：我们声明不存在任何可能影响本文研究的已知财务利益或个人关系。资金支持本研究得到了国家自然科学基金（62561032、62061022、62171206）以及昆明理工大学分析测试基础平台（2024P20231103003）的资助。Mengyun He|Guangchen Chen|Zifen He|Yinhui Zhang|Ying Huang