1.一种轻量化水下目标检测方法,其特征在于,包括以下步骤:S1:以YOLOv8为基准模型,对所述YOLOv8的网络骨干使用轻量化的RepGhost重参数模块实现特征复用,并采用SPD卷积模块替换网络骨干的卷积层;
S2:采用全局特征金字塔GFPN替换所述YOLOv8的网络颈部,进行特征融合;
S3:采用CLLA检测头替换所述YOLOv8的网络头部,提高对目标的识别和定位,获得轻量化水下目标检测模型;
S4:对所述轻量化水下目标检测模型进行性能评估,并将其应用到实际场景中,实现水下目标检测;
所述S3中CLLA检测头包括CLLA跨层局部注意力机制层和DFL损失函数层,所述CLLA跨层局部注意力机制层和DFL损失函数层通过卷积层连接;
所述CLLA跨层局部注意力机制层进行以下操作:
S31:假设低级特征图F1'和中级特征图F′2包含浅层信息,高级特征图F′3包含深层语义信息;
S32:采用平均池化和1×1卷积分别减小低级特征图F1'和中级特征图F′2的空间大小,并统一通道数,获得新低级特征图F1l和新中级特征图F2m,使大小与高级特征图F′3相同;
S33:采用可学习参数将新低级特征图F1l投影到Q的空间中,将新中级特征图F2m分别投影到K和V的空间中,公式为:Q=F1lWQ
K=F2mWK
V=F2mWV
其中,Q、K和V分别为查询、键和值向量,WQ、WK和WV表示三个可学习参数分别用于生成查询、键和值向量;
S34:使用点积和softmax函数计算Q和K的相关权重,再与V进行点积,获得新的特征图;
S35:将新的特征图添加到高级特征图F′3,获得聚合特征图FM,公式为:其中,softmax(·)为激活函数,上标T为矩阵的转置,dk为用于计算注意力权重的向量维度;
所述DFL损失函数层利用交叉熵函数使网络分布聚焦到标签值附近,公式为:其中,为预测值在i和i+1两个相邻位置的分布式焦点损失,Si为网络Sigmoid在位置i的输出,Si+1为网络Sigmoid在位置i+1的输出,pi为标签p在位置i的概率,pi+1为标签p在位置i+1的概率。
2.根据权利要求1所述的一种轻量化水下目标检测方法,其特征在于,所述S1中RepGhost重参数模块利用重参数化技术,在可形变卷积层之后依次添加批量归一化层、Add连接层和激活层,并在可形变卷积层和Add连接层之间添加批量归一化分支。
3.根据权利要求1所述的一种轻量化水下目标检测方法,其特征在于,所述S1中SPD卷积模块进行以下操作:S11:对尺寸为S×S×C1的原始特征图X(S,S,C1)通过比例因子进行下采样,获得特征子图,S为原始特征图的空间维度,C1为原始特征图的通道数;
S12:将所述特征子图沿通道维度进行连接,获得特征图X'(S Scale,S Scale,Scale2C1),Scale为比例系数;
S13:增加一个带有C2滤波器的卷积层,将所述特征图X'(S Scale,S Scale,Scale2C1)转换为
4.根据权利要求3所述的一种轻量化水下目标检测方法,其特征在于,所述S11中获得特征子图的公式为:fx,y=X[x:S:Scale,y:S:Scale]x=0,1,…,Scale-1,y=0,1,…,Scale-1其中,fx,y为特征子图,X[·]代表输入的特征图或张量,x和y为坐标的下标索引。
5.根据权利要求1所述的一种轻量化水下目标检测方法,其特征在于,所述S2中全局特征金字塔GFPN利用CSPStage实现跳跃连接,同时通过替换C2f并结合卷积层。