Преломление и рассеяние воды, неравномерное освещение вызывают размытость текстур целей, водные организмы часто являются замаскированными плотными мелкими объектами, а подводные платформы с ограниченными ресурсами предъявляют требования к легковесности и реальному времени, что вместе усложняет задачу обнаружения подводных целей. В связи с этим в статье предложена улучшенная модель YOLOv8n с однофокусным самовниманием и объединением частотного и пространственного доменов — YOLOv8n-SD. Во-первых, разработана улучшенная основная сеть с интеграцией локальных и глобальных признаков, использующая однофокусный механизм самовнимания с динамическим распределением каналов для эффективного извлечения долгосрочной глобальной информации из части каналов; при этом интегрируются локальные детальные признаки, извлекаемые эффективными блоками, что обеспечивает взаимное усиление локальных и глобальных признаков. Во-вторых, построена эффективная шейная сеть для объединения частотного и пространственного доменов, спроектирован модуль даунсемплинга на основе преобразования Хаара и преобразования «пространство в глубину», объединяющий важную высокочастотную и пространственную информацию из высокоразрешающих поверхностных признаков; применена стратегия быстрого нормализованного взвешивания для динамической оптимизации эффективности интеграции многоуровневых признаков. На общедоступных подводных наборах данных URPC2020 и RUOD показатели mAP_0.5∶0.95 и mAP₅₀ модели YOLOv8n-SD достигли 51.2%, 85.7% и 50.6%, 85.0% соответственно. При этом количество параметров по сравнению с базовой моделью снизилось на 42.3%, а вычислительная нагрузка — на 17.2%. Сравнительные эксперименты дополнительно подтвердили высокую точность и устойчивость модели в различных сложных подводных сценариях.

Обнаружение подводных целей;механизм самовнимания;преобразование Хаара;обнаружение мелких целей