SU-YOLO: Spiking Neural Network for Efficient Underwater Object Detection
作者: Chenyang Li, Wenxuan Liu, Guoqiang Gong, Xiaobo Ding, Xian Zhong
发布时间: 2025-04-02
来源: arxiv
研究方向: 水下目标检测与神经形态计算
主要内容
提出了一种基于脉冲神经网络（SNN）的水下目标检测模型SU-YOLO，旨在解决水下环境中图像噪声和计算资源限制的问题。
主要贡献
1. 开发了一个基于YOLO框架的轻量级SNN模型，有效缓解了脉冲退化问题，在检测精度和计算效率方面优于现有SNN和ANN模型。
2. 设计了一种适用于SNN的脉冲兼容水下图像去噪方法，该方法仅通过整数加法计算，显著提高了特征图质量。
3. 提出了改进的批量归一化方法SeBN，该方法独立对每个时间步的特征图进行归一化，优化了残差结构，提高了SNN的性能。
4. 在URPC2019和UDD水下图像数据集上进行的实验验证了SNN在水下目标检测中的可行性和优越性能。
研究方法
1. 基于YOLO框架的SNN模型设计
2. 脉冲神经网络（SNN）及其脉冲去噪模块
3. 分离批量归一化（SeBN）方法
4. Spiking Underwater YOLO（SU-YOLO）架构
5. SpikeSPP模块
6. 编码器（Encoder）和检测头（DetectHead）模块
实验结果
在URPC2019数据集上，SU-YOLO实现了78.8%的mAP，参数量为6.97M，能耗为2.98 mJ，在检测精度和计算效率方面均优于现有SNN和ANN模型。
未来工作
进一步优化SU-YOLO的性能，并在物理硬件系统上实现，以获得更可靠的检测结果。探索SU-YOLO架构在更广泛的目标检测任务中的应用，扩展其适用性到其他数据集和应用。