QD2Net-XQ：融合联邦学习与量子优化的轻量级水下异常检测框架

《IEEE Access》：Lightweight Deep Learning Model for Real-Time Anomaly Detection in Underwater Drone Surveillance Systems

　　

摘要：

海洋生态系统面临着人类活动和环境变化带来的日益增大的压力，凸显了对可靠水下监测的迫切需求，以保护生物多样性、关键基础设施和海上安全。现有的基于深度学习的异常检测方法通常依赖于集中式处理、高计算资源、单模态假设以及有限的可解释性，这限制了其在噪声大和带宽受限的海洋条件下用于实时水下无人机监测的适用性。为了解决这些局限性，我们提出了QD2Net-XQ，一种轻量级双路径框架，结合了联邦学习和量子启发超参数优化，用于多标签水下异常检测。该模型在并行处理局部和长程依赖的卷积和循环扩散处理之前，应用标准正弦编码和Shapley引导的特征选择。自适应融合机制结合了由此产生的表示，而优化器选择平衡预测准确性和计算效率的超参数配置。在挪威海（2021-2025年）的大规模数据集上评估，QD2Net-XQ达到了98.6%的准确率、98.3%的精确率和96.9%的PAC分数，同时仅需16.4M参数和48.7 GFLOPs。这些结果表明，该模型能够在保持客户端公平性的同时超越最先进的基线方法。总体而言，QD2Net-XQ为下一代海上监控提供了一种实用、可解释且节能的解决方案。