DFQ-Net:用于水下小目标检测的退化感知频率保持动态查询选择
《Journal of Systems Architecture》:DFQ-Net: Degradation-aware frequency-retentive dynamic query selection for underwater small object detection
【字体:
大
中
小
】
时间:2026年09月24日
来源:Journal of Systems Architecture 5.3
编辑推荐:
# 内容翻译
- DFQ-Net 融合了退化感知、频率保留和查询选择。
- DDFE 抑制退化背景,同时增强高频目标线索。
- FRD 在下采样过程中保留峰值、上下文和频率残差。
- DAQS 利用退化感知排序和层级配额提升查询质量。
- DFQ-Net 在 DUO、URP
# 内容翻译
- DFQ-Net 融合了退化感知、频率保留和查询选择。
- DDFE 抑制退化背景,同时增强高频目标线索。
- FRD 在下采样过程中保留峰值、上下文和频率残差。
- DAQS 利用退化感知排序和层级配额提升查询质量。
- DFQ-Net 在 DUO、URPC2020 和 UDD 上分别达到 86.3%、85.1% 和 70.6% 的 AP50。
## 引言
水下目标检测(UOD)在水下机器人感知、海洋牧场监测、海洋生态调查以及海底作业等应用中发挥着至关重要的作用 [1], [2], [3]。与陆地自然场景不同,水下图像严重受到水体介质和复杂光照条件的影响,常常存在固有的退化问题,包括色彩失真、低对比度、边界模糊、纹理退化和局部遮挡 [2], [3], [4]。这些退化严重降低了目标与背景之间的可分离性。这对于小型水下目标尤为不利,例如海参、海胆、扇贝和鱼类等,它们往往表现出显著的形态学变异。其判别性信息通常集中在极为有限的局部区域内,使其对漏检、虚警和定位偏差异常敏感 [1], [2], [5]。
近年来,基于深度学习的目标检测方法在自然图像领域取得了显著进展。以 Faster R-CNN [6] 为代表的两阶段检测器展现出强大的定位能力;以 YOLO 系列为代表的单阶段检测器提供了高推理效率 [7], [8], [9], [10], [11], [12];基于 Transformer 的端到端检测器通过全局关系建模增强了复杂环境下的检测能力 [13], [14], [15], [16], [17]。然而,直接将通用检测器应用于水下图像无法应对复杂退化背景与弱小目标响应共存的场景 [2], [3], [5]。一方面,水下目标的边界和纹理信息在深度特征提取过程中容易被衰减。另一方面,水生植物、岩石、悬浮颗粒和海底纹理等背景区域可能产生与目标结构相似的局部响应,从而干扰检测器对真实目标的判断 [5], [18], [19], [20], [21]。
为解决这些问题,现有研究从多个角度尝试提升 UOD 性能。一类方法通过水下图像增强、复原或辅助图像处理来减轻退化问题,如色彩失真、低对比度和模糊 [1], [4], [22], [23]。然而,图像增强通常旨在提升人类感知的视觉质量,这未必与检测任务的优化目标一致;过度增强甚至可能引入虚假纹理或损害局部目标细节 [2], [4]。另一类方法直接将注意力机制、多尺度融合、边缘引导、频域建模或退化感知特征建模融入检测网络,以增强目标表征并抑制背景干扰 [24], [25], [26]。例如,GCC-Net [3] 通过跨域协同特征融合增强水下退化场景下的检测能力;DJL-Net [4] 联合学习图像处理和目标检测以补充退化图像中的特征信息;UOD-Mamba [5] 引入结构化状态空间模型 Mamba,以增强复杂水下噪声下的特征建模。尽管这些方法在一定程度上缓解了水下退化的影响,但它们主要聚焦于单一方面——如图像质量提升、特征增强或特定结构建模——尚未从端到端视角系统性地解决在处理退化背景和目标特征时,跨层反复出现的特征混叠、信息丢失和错误选择问题。
从端到端小目标检测流水线的角度来看,性能退化并非由单一孤立阶段引起。首先,在特征提取阶段,水的散射、浑浊背景和光照梯度通常表现为广泛的低频平滑响应,而小目标的有效线索主要反映在局部边界、紧凑峰值和高频残差中 [5], [21], [25]。如果退化背景和目标响应被标准卷积不加区分地建模,微弱的目标结构很容易被主导的平滑背景所淹没。其次,在下采样阶段,小目标仅占据有限的像素数量。随着空间分辨率降低,其局部最大响应、边界细节和几何轮廓关系会逐渐丢失 [27], [28], [29], [30]。最后,在端到端检测器的查询选择阶段,如果候选查询主要依据分类响应进行排序,背景纹理或退化区域产生的高响应位置可能会被优先选择并送入解码器。因此,具有真实小目标且包含结构信息的候选查询会被抑制 [16], [17], [27], [28]。因此,仅依赖图像增强、单一特征增强模块或简单地添加高分辨率检测层,不足以同时缓解这些多个阶段的信息丢失 [4], [5], [27], [28]。
为应对这些挑战,我们提出了 DFQ-Net,一种面向水下小目标检测的退化感知频率保留动态查询选择网络。与主要依赖图像增强、通用特征融合或后处理优化的方法不同,DFQ-Net 在特征形成、尺度压缩和解码器输入三个阶段进行了协同设计。具体而言,首先,认识到水下退化背景通常表现为广泛的低频平滑响应,而小目标结构主要体现为局部高频变化,我们设计了退化解耦特征增强(DDFE)模块。DDFE 通过低频上下文估计退化背景响应,并通过方向性高频建模增强目标边界和局部结构。其次,为解决下采样过程中小目标的局部最大响应、结构上下文和细节残差的丢失问题,我们提出了频率保留下采样(FRD)模块。该模块将尺度压缩过程分解为三条路径:峰值保持、结构上下文建模和频率残差补偿,从而在分辨率降低过程中最大程度地减少小目标信息的损失。最后,为应对水下背景伪响应对 Top-K 查询选择的干扰,我们构建了退化感知动态查询选择(DAQS)机制。该机制基于局部结构显著性、目标紧凑性和背景可分离性建立排序先验。它通过局部对比度和频率显著性界定结构响应,通过密度响应刻画紧凑候选区域,并通过施加退化抑制和平坦背景惩罚降低无效背景区域的排序优先级。该机制不引入额外的预测头,同时保持主解码器结构不变,但能在解码器输入前有效提升候选查询质量。
本文的主要贡献总结如下:
(1)我们提出了 DFQ-Net,一种专为水下小目标检测设计的退化感知频率保留动态查询选择网络。该框架通过特征提取、尺度压缩和查询选择三个阶段的协同设计,系统性地解决了三大挑战——退化背景干扰、下采样过程中的细节丢失和低质量候选查询。
(2)我们设计了 DDFE 和 FRD 模块,共同保留小目标的高频结构信息并抑制退化干扰。DDFE 通过低频信息捕获退化相关的上下文响应,并通过方向性结构建模增强局部边界,从而减少退化背景对目标表征的干扰。FRD 通过峰值保持、结构上下文建模和频率残差补偿,在下采样过程中保留峰值响应和边界细节,缓解传统下采样导致的信息衰减。
(3)我们构建了 DAQS 机制,在编码器输出阶段建立退化感知的排序先验,并整合多尺度层级配额策略。通过结合局部对比度、密度响应、频率显著性、退化抑制和平坦背景惩罚,以及分类分数和类别间隔线索,DAQS 动态选择高可靠性候选查询。层级配额策略在各尺度间按比例分配查询,防止高分辨率小目标候选被强语义响应所压制,从而从根本上缓解解码器的背景虚警问题。
## 章节片段
### 水下目标检测
UOD 方法总体上从辅助图像预处理演进为检测网络内的任务导向特征建模。早期研究通常采用色彩校正、对比度增强、去散射或图像复原来减轻水下固有的退化问题,如色彩失真、低光照和模糊细节 [1], [2]。Zhang 等人 [31] 提出了一种最小色彩损失和局部自适应对比度增强方法,以提升色彩保真度和局部……
### 总体架构
DFQ-Net 旨在解决水下小目标检测中三种递进式的信息退化来源:特征提取时的背景干扰、下采样过程中弱结构响应的衰减,以及解码器细化前不可靠的候选排序。如图 1 所示,该网络遵循实时端到端检测范式,包含层级主干网络、多尺度编码器、所提出的 DAQS 模块和解码器。
给定一个水下……
### 数据集
为评估 DFQ-Net 在水下小目标检测中的有效性,我们在三个公开的水下目标检测数据集上进行了实验,包括 DUO [61]、URPC2020 [62] 和 UDD [1]。对于所有数据集,我们使用默认的训练集和测试集划分。这些数据集涵盖了多样的水下成像条件、物体类别和背景复杂性,为评估所提模型的检测性能和泛化能力提供了全面的基础。
## 结论
本文提出了 DFQ-Net,一种面向水下小目标检测的端到端框架,协调了检测流水线的三个连续阶段。DDFE 利用低频上下文响应来调控方向性结构增强,FRD 在下采样过程中保留峰值、上下文和频率残差信息,DAQS 在解码器细化前对多尺度编码器候选进行重新排序。在 DUO、URPC2020 和 UDD 上的实验表明,这种协同设计……
## CRediT 作者贡献声明
龙田:写作——审阅与编辑,写作——初稿,可视化,验证,方法论。李英芳:软件,方法论,调查研究。冉茂江:软件,调查研究。李佳伟:可视化,软件。李畅:验证,调查研究。张榕芬:指导,调查研究,经费获取,正式分析。
## 致谢
本研究由贵州省基础研究计划(自然科学)[项目编号 Qiankehe Jichu-ZK[2021]ZD001] 和贵州省科技支撑计划 [项目编号 Qiankehe Zhicheng [2026] 一般 354] 资助。
## 利益冲突声明
作者声明不存在已知的可能影响本文所述工作的竞争性经济利益或个人关系。
龙田 | 李英芳 | 冉茂江 | 李佳伟 | 李畅 | 张榕芬