La réfraction et la diffusion de la lumière dans l'eau ainsi que l'éclairage inégal entraînent un flou de la texture des cibles. Les organismes aquatiques sont souvent des petites cibles denses et camouflées, et les plates-formes sous-marines à ressources limitées ont des contraintes de légèreté et de temps réel, ce qui complique davantage la détection des cibles sous-marines. À cet effet, cet article propose un modèle amélioré YOLOv8n combinant une attention automatique à tête unique et une fusion fréquentielle-spatiale, YOLOv8n-SD. Tout d'abord, un réseau principal amélioré avec fusion de caractéristiques locales et globales est conçu, utilisant un mécanisme d'attention automatique à tête unique avec une répartition dynamique des canaux, permettant d'extraire efficacement des informations globales à longue portée sur certaines parties des canaux ; en même temps, les informations locales extraites par un bloc d'extraction de caractéristiques efficace sont fusionnées, réalisant un renforcement complémentaire des caractéristiques locales et globales. Ensuite, un réseau efficace de cou fusionnant les domaines fréquentiel et spatial est construit, avec un module de sous-échantillonnage basé sur la transformation en ondelettes de Haar et la transformation espace-à-profondeur, intégrant les informations importantes à haute fréquence et spatiales des caractéristiques de hautes résolutions en faible couche ; simultanément, une stratégie de pondération normalisée rapide est adoptée pour optimiser dynamiquement l'efficacité de fusion multi-échelles. Sur les ensembles de données publiques sous-marines URPC2020 et RUOD, les indicateurs mAP_0.5∶0.95 et mAP₅₀ de YOLOv8n-SD atteignent respectivement 51,2 %, 85,7 % et 50,6 %, 85,0 %. Par ailleurs, le nombre de paramètres du modèle de référence a été réduit de 42,3 %, la charge de calcul abaissée de 17,2 %. Des expériences comparatives confirment en outre que le modèle proposé présente une bonne précision de détection et une robustesse dans divers scénarios sous-marins complexes.

détection d’objets sous-marins;mécanisme d’attention automatique;transformation en ondelettes de Haar;détection d’objets petits