跨尺度自适应频域增强的海上船舶检测

目的海上船舶目标检测对海域管理和交通安全至关重要，但受复杂环境影响，常出现遮挡、模糊和细节丢失等问题，现有方法检测精度不足、易误检漏检，难以满足船舶精确识别需求。基于此，本文提出一种跨尺度自适应频域增强的海上船舶检测方法。方法以YOLO11为基线模型进行针对性改进，首先，设计了一个自适应频域特征增强模块（Adaptive Frequency-domain Feature Enhancement Module， AFEM）用于海上船舶细节特征的增强。该模块针对不同尺度的特征信息，采用傅里叶变换将特征信息转换到频域，通过门控单元对全局和局部信息进行自适应增强，全面增强网络对海上退化特征的提取能力。其次，在颈部引入一个多尺度特征感知模块（Multi-scale Feature Perception Module， MFP）。使用不同的卷积核捕获多尺度特征，高效挖掘并利用海上船舶图像的上下文特征信息，引导网络精准聚焦船舶目标特征，有效抑制复杂背景与遮挡带来的干扰，缓解小目标船舶的特征丢失现象，显著降低海上船舶检测的错检与漏检率。结果在MVDD（Marine Vessel Detection Dataset）和RTTS（Real-world Task-Driven Testing Set）数据集上的平均精确度（mean Average Precision at 50% IOU， mAP50）分别达到95.18％和74.79％，对13类船舶的检测表现优异，尤其在小目标、遮挡船舶检测中优势显著。同时，参数量仅有6.29M，推理速度达到227 FPS（Frames Per Second）。通过与目前最先进的16种不同类型方法的比较，本文提出的方法检测性能更优，在检测精度和模型复杂度之间实现了更好的平衡。结论本文所提方法不仅在海上表现出色，对于陆地的恶劣天气条件也有较强的适应能力，展现出较好的鲁棒性和泛化性，同时具备较高的可部署性和实际应用价值。