基于YOLO11的水下目标检测模型MDP-YOLO：融合多方向特征增强与自适应上采样的改进方法

《Scientific Reports》：MDP-YOLO: underwater object detection based on enhanced feature extraction

　　

摘要

水下目标检测对于海洋探索和生态保护至关重要，但由于水下图像光照条件差、小目标占比高、纹理微弱以及尺度变化大等问题，其难度依然很高。为解决这些问题，我们提出了MDP-YOLO，一种基于YOLO11基线构建的水下目标检测器。该方法专注于特征提取增强和细节保持的上采样。在主干网络中，我们设计了MDRFF模块，联合聚合方向性空间统计信息、频率线索和全局上下文。在颈部网络中，我们用DySample替代固定插值，DySample通过预测内容自适应的采样偏移量并使用双线性网格采样来保留高分辨率细节。在检测头中，我们增加了P2分支并裁剪P5，以更好地匹配小目标的尺度分布。在边界框回归方面，用MPDIoU替代CIoU，以增强角点级别的几何对齐并减少边界抖动。实验表明，MDP-YOLO在URPC2020、URPC2021和RUOD数据集上的mAP_0.5分别达到85.3%、84.9%和86.7%，比YOLO11n分别高出2.9、2.2和2.5个百分点。总体而言，MDP-YOLO在不同水下数据集上均持续提升了检测精度，同时保持了紧凑的参数数量。