热带海洋学报
2025, 44 (
):
65-76.
传统基于合成孔径雷达(synthetic aperture radar, SAR)数据的涡旋检测方法需手动设定阈值和特征参数, 操作复杂且难以自动化, 现有深度学习模型在检测过程中也存在较高的漏检和误检情况, 难以满足涡旋检测对精度和效率的要求。为解决这些问题, 文章提出一种基于YOLOv8 (you only look once version 8)的改进模型, 即涡旋检测网络(eddy detection network, EddyDetNet), 以克服上述局限性, 提升检测的准确性和效率。该模型在骨干网络(Backbone)和颈部网络(Neck)中引入自适应特征融合模块(adaptive feature compression module, AFCM)和多尺度特征空间金字塔模块(multi-scale feature spatial pyramid module, MFSP)并优化Neck结构和在头部网络(Head)部分新增小目标检测头, 提升了不同尺度涡旋的检测精度。实验结果表明, EddyDetNet在精确率(precision, p)、召回率(recall, r)和平均精确率均值(mean average precision, mAP)指标上较YOLOv8分别提升了2.4%、3.2%和5.5%, 参数量和运算量减少了38.1%和15.8%。与YOLOv8相比, EddyDetNet在降低计算复杂度和参数量的同时, 保持了较高检测精度, 适用于多目标和复杂背景下的涡旋检测任务。
