面向水下目标检测的频率自适应扩张卷积与双路径特征对齐网络

《Journal of Marine Science and Engineering》：FEAPN: Feature Enhancement and Alignment Pyramid Network for Underwater Object Detection Wei Tian and Guojun Wu

　　

针对水下图像存在的颜色失真、散射噪声及细节丢失等问题，研究人员提出了一种结合频率自适应扩张卷积（Frequency-Adaptive Dilated Convolution, FADC）与双路径特征对齐模块（Dual-Path Feature Alignment Module, DFAM）的新型网络架构。该方法首先通过离散傅里叶变换（Discrete Fourier Transform, DFT）将预处理特征映射至频域，利用学习到的选择图对频谱分量进行加权，从而在抑制有害高频噪声的同时保留边缘与纹理信息。在此基础上，研究人员设计了自适应核生成机制，将静态卷积核分解为低频基与高频残差，并通过动态权重调整实现感受野的自适应扩展。为解决高低层特征融合时的空间错位与噪声累积问题，进一步引入空间对齐模块（Spatial Alignment Module, SAM）与语义增强模块（Semantic Enhancement Module, SEM），分别实现边界对齐与语义一致性优化。实验结果表明，该网络能有效提升水下目标检测的精度与鲁棒性，尤其在小目标与低对比度场景中表现显著。

研究背景方面，水下光学成像受光线衰减、悬浮颗粒散射及吸收效应影响，导致图像普遍存在色偏、模糊及对比度下降等问题，严重制约了基于视觉的目标检测性能。传统卷积神经网络（CNN）因固定几何结构与静态权值限制，难以自适应复杂多变的水下退化模式，尤其在感受野扩展与小目标特征提取方面存在明显不足。此外，高低层特征直接融合易引发空间错位与噪声累积，进一步降低检测可靠性。为此，研究人员在《Journal of Marine Science and Engineering》发表该研究，旨在构建一种能够动态适应频谱特性并实现精准特征对齐的检测框架。

关键技术方法主要包括：1）频率自适应扩张卷积（FADC），通过频域分解与选择性聚合生成重加权特征，并预测密集膨胀率以实现自适应采样；2）双路径特征对齐模块（DFAM），包含空间对齐模块（SAM）与语义增强模块（SEM），分别利用低层特征引导高层特征边界对齐，以及高层语义指导低层特征去噪与增强；3）自适应核生成机制，将卷积核分解为低频基与高频残差，通过可学习参数动态调整频谱响应。

研究结果部分，首先在“频率自适应扩张卷积”中，研究人员通过频域滤波与动态核加权，有效解决了静态卷积对空间变异退化适应性不足的问题，提升了小目标与纹理信息的提取能力。其次，“双路径特征对齐模块”实验表明，SAM模块显著改善了高低层特征的空间对齐精度，而SEM模块则有效抑制了噪声并增强了语义一致性。消融实验验证了各组件对检测性能的贡献，其中FADC与DFAM的联合使用使平均精度（AP）提升显著。在讨论部分，研究人员指出该设计避免了频域滤波导致的不可逆信息损失，并通过动态感受野与特征对齐机制提升了模型泛化性。结论部分强调，所提网络在水下机器人巡检与海洋资源监测等实际应用中具有重要价值，未来可进一步探索轻量化部署与实时性优化。