本文提出一种基于卷积块注意力模块和自适应全局直方图拉伸算法的水下目标检测方法，以提高水下环境下目标检测的准确性和图像质量，经过对 URPC2021 基准数据集的大量实验和全面评估，证明了该方法的有效性。

May, 2022

我们提出了一个双层优化方法，用于共同学习水下物体检测和图像增强，并将其展开为一个双重感知网络（DPNet）。DPNet 通过一个共享模块和两个任务子网络从两个不同任务中学习，寻求共享表示。共享表示为图像增强提供更多结构细节和物体检测提供丰富的内容信息。通过广泛的实验，我们的方法在实际和合成水下数据集上展示出对视觉的青睐以及更高的检测准确性。

Jul, 2023

近年来，在水下图像增强（UIE）领域取得了显著进展，但其在自主水下载具（AUVs）中的水下物体检测（UOD）等高级视觉任务中的实际应用仍较少探索。我们介绍了一种集成实时框架 EnYOLO，旨在同时进行 UIE 和 UOD，并具有域自适应能力。综合实验表明，我们的框架不仅在 UIE 和 UOD 任务中达到了最先进的性能，而且在应用于不同的水下场景时显示出了卓越的适应性。

Mar, 2024

本研究提出了使用边缘信息指导的表征学习网络 ERL-Net，该网络包括边缘指导的 attention 模块和特征聚合模块，以及一种宽而不对称的感受野块，用于改进水下物体检测中的低对比度、小目标的识别。实验证明，该方法在三个挑战性的水下数据集上均取得了优异的表现。

Jun, 2023

该论文介绍了一种新颖的 BGFG-YOLO 架构，通过将 Bi-level Routing Attention（BRA）、Generalized feature pyramid networks（GFPN）、Forth detecting head 和 Generalized-IoU（GIoU）bounding box regression loss 结合到 YOLOv8 中，实现了对自动脑肿瘤检测的高准确性。实验结果显示，与 YOLOv8x 相比，BGFG-YOLO 在脑肿瘤检测数据集 Br35H 上的 mAP50 绝对增加了 3.4％，达到了 state-of-the-art 水平。

Sep, 2023

通过设计双路网络和注意力特征融合模块，并提出一个子网络来为检测网络提供无霾特征，我们的 D-YOLO 通过减小清晰特征提取子网络与检测网络之间的距离来改善检测网络的性能，实验证明 D-YOLO 相比现有方法具有更优异的性能表现，是一个强大的检测框架用于弥合低级去雾和高级检测之间的差距。

Mar, 2024

YOLO 算法在水下环境中的应用存在限制，本文从海洋工程应用的实际需求出发，以水下结构健康监测和水下生物检测为例，提出了改进的水下 YOLO 算法应用方法，并指出了仍然存在的问题。

Sep, 2023

我们提出了一种边界引导网络（BGNet）来进行伪装目标检测，该方法在三个数据集上都比现有技术高出很多，并利用边缘语义来引导特征学习，从而促进精确边界定位的伪装目标检测。

Jul, 2022

提出了 GCC-Net 方法，该方法通过融合纯净图像和增强后的图像，利用跨域合作的特征交互模块来改进水下物体检测的可见性。实验结果表明该方法在四个水下数据集上取得了最先进的性能。

Jun, 2023

该研究使用现有的水下数据集 Brackish-Dataset，评估了多种目标检测模型（包括 EfficientDet，YOLOv5 等）在含盐度高、可见度低的自然复杂环境下的效果，其中，通过修改 EfficientDet 的机制，实现了对抗性干扰下高 Iou 的复杂特征融合，并提供了针对模型黑盒性的类激活映射解释。研究结果表明，修改后的 EfficientDet 在五倍交叉验证下，比其他模型表现更好，具有更高的 IoU。

May, 2023