摘要：针对水下目标检测任务中图像分辨率低、目标尺寸变化大、水体浑浊及目标遮挡而导致检测精度低的问题,提出一种基于细节增强与多尺度特征融合的水下目标检测模型DEMF-YOLO11n （YOLO11n underwater object detection model based on detail enhancement and multi-scale feature fusion）.模型以YOLO11n为主体,为改善普通下采样对低分辨率图像及小目标造成特征损失的问题,使用浅层与深层鲁棒下采样方法 RFD （robust feature downsampling）分别替换模型浅层及深层步长卷积.同时,使用多核并行卷积模块PKIModule （poly kernel inception module）及上下文锚点注意力CAA （context anchor attention）对模型骨干中的C3k2进行重新设计,以增强模型对遮挡目标及不同尺度目标的特征提取效果,以及对复杂背景下目标的感知能力.最后,为解决水体浑浊等因素所导致的目标边缘细节模糊问题,在头部网络中使用CGAFusion （content guide attention fusion）模块将深层特征与经EEM（edge enhance module）进行边缘增强后的浅层纹理特征进行自适应融合.在RUOD数据集上的实验结果表明, DEMFYOLO11n较基准模型mAP50提升2.8%, mAP50-95提升4.1%,而参数量仅增加0.53M.
