La technologie de détection des cibles sous-marines joue un rôle important dans l'exploration des ressources marines, la protection de l'environnement, etc. Cependant, l'environnement sous-marin présente des problèmes tels que l'imagerie floue et la variation de l'échelle des cibles, ce qui rend la tâche de détection difficile. Pour améliorer la précision de la détection des cibles sous-marines, un réseau mixte amélioré de perception est proposé. Tout d'abord, la construction d'un réseau principal d'extraction de fonctionnalités d'amélioration globale-locale, en utilisant un mécanisme d'auto-attention pour extraire les informations globales à longue portée de l'image, puis la construction d'un module d'amélioration d'attention convolutionnelle pour extraire plus d'informations détaillées locales de l'image. En capturant mieux les caractéristiques globales et locales pendant le processus d'extraction de fonctionnalités, la discrimination des caractéristiques à différentes échelles peut être améliorée ; ensuite, pour améliorer la précision de la détection des cibles dans les images de faible qualité, une tête de détection à deux étages améliorée de perception est construite. En augmentant la profondeur du réseau de génération de propositions de zone à la première étape, il est possible d'extraire plus d'informations sémantiques des cibles des images de basse qualité, et en introduisant un mécanisme d'auto-attention à la deuxième étape, il est possible de supprimer les informations de fond ou secondaires. De plus, une branche de chevauchement de détection des cibles est introduite pour fusionner les informations des cibles de la première étape dans la résolution du problème de la deuxième étape, ce qui améliore la précision de la détection de différents types de cibles. La méthode proposée a montré des performances réussies sur l'ensemble de données de détection des cibles sous-marines TrashCan et WPBB avec des résultats de 37,8 %, 61,8 %, 82,0 % et 98,9 % respectivement. Les résultats expérimentaux qualitatifs et quantitatifs montrent que le modèle a une bonne précision de détection et une robustesse pour les cibles de différents types sous l'eau.

Détection de cibles sous-marines ; amélioration des caractéristiques ; mécanisme d'auto-attention ; réseau mixte