YOLO11n + RFA + RCSA, sualtı təsvirlərində zəif teksturalı, sərhədləri bulanıq və müxtəlif miqyaslı dəniz tullantılarını aşkarlamaq məqsədilə YOLO11n obyekt detektoruna Qəbuledici Sahə Aqreqasiyası (Receptive-Field Aggregation, RFA) və Qalıq Kanal-Məkan Yenidən Kalibrlənməsi (Residual Channel-Spatial Recalibration, RCSA) komponentlərinin əlavə edildiyi yüngül obyekt aşkarlama arxitekturasıdır. RFA müxtəlif effektiv qəbuledici sahələrdən kontekstual məlumat toplayarkən, RCSA bu zənginləşdirilmiş xüsusiyyətlərin kanal və məkan əhəmiyyətini yenidən çəkiləndirir. Tədqiqatın əsas məqsədi yalnız dəqiqliyi artırmaq deyil, bunu ROV kimi resursları məhdud ola bilən sualtı platformalarda gələcəkdə istifadə edilə biləcək miqyasda bir modellə həyata keçirməkdir.

Tədqiqatda açıq istifadəli 15 sinifli sualtı tullantı məlumat dəsti istifadə edilmişdir. Təchizatçının ilkin məlumat bölgüsündə 10.884 təlim, 1.001 validation və 501 test təsviri vardır. Validation dəstində 1.892 etiketlənmiş obyekt mövcuddur. Test dəsti SHA-256 dublikat yoxlamaları və fayl adlarından törədilmiş provenance qrupları ilə audit edilmiş; təlim və ya validation ilə eyni audit edilmiş provenance qruplarına aid təsvirlər çıxarıldıqdan sonra yekun holdout dəsti 498 təsvir və 963 obyekt olaraq saxlanılmışdır.

Əsas müqayisələr 100 epoch ərzində 42, 2026 və 3407 olmaqla üç fərqli seed ilə aparılmışdır. RFA + RCSA modeli validation üzərində Precision 0,861 ± 0,016, Recall 0,801 ± 0,012, mAP@0.5 0,848 ± 0,001 və mAP@0.5:0.95 0,511 ± 0,002 əldə etmişdir. Eyni üç checkpoint audit edilmiş holdout üzərində müvafiq olaraq 0,820 ± 0,033, 0,748 ± 0,014, 0,779 ± 0,018 və 0,467 ± 0,007 nəticələrini vermişdir.

Model 4,19 milyon parametr, təxminən 8,43 MB çəki və 640 × 640 girişdə 8,91 GFLOPs hesablama tələb edir. Bununla belə real Jetson/ROV aparatında FPS, ucdan-uca gecikmə, maksimum yaddaş, enerji sərfiyyatı və ya kadr başına enerji ölçülməmişdir. Buna görə nəticələr modeli resursları məhdud ROV qavrayışı üçün ümidverici yüngül namizəd kimi dəstəkləyir; real vaxtlı gömülü sistem uğurunu sübut etmir.

Tədqiqatın digər mühüm nəticəsi ümumiləşdirmə sərhədidir. Eyni mənbə məlumat dəstindən yaradılmış audit edilmiş holdout üzərində məqbul performans əldə edilərkən, fərqli TrashCan Material domenində mAP@0.5 yalnız 0,031 ± 0,023-ə düşmüşdür. Bu nəticə eyni məlumat mənbəyi daxilində güclü performansın fərqli məlumat dəstlərinə, mühitlərə və ya taksonomiyalara avtomatik ötürülmədiyini açıq şəkildə göstərir.

Tədqiqatın əsas problemi

Sualtı görüntüləmə havadakı görüntüləməyə nisbətən daha qeyri-sabit vizual mühitdir. Suda dalğa uzunluğundan asılı zəifləmə, asılı hissəciklərdən yaranan səpilmə, rəng sürüşməsi və qeyri-bircins süni işıqlandırma hədəflə fon arasındakı kontrastı azalda və obyektin görünüşünü poza bilər.

Dəniz tullantıları həmçinin kiçik, qismən basdırılmış, deformasiyaya uğramış və ya dəniz dibinə vizual olaraq bənzəyən obyektlər ola bilər. Buna görə yalnız təsviri işıqlandırmaq və ya kontrastı artırmaq kompakt detektorun qeyri-kafi kontekstual təmsil problemini tam həll etmir.

Tədqiqatçıların həll etdiyi mühəndislik problemi şəbəkəni ixtiyari şəkildə böyütmədən iki çatışmazlığı aradan qaldırmaqdır:

• Zəif və ya bulanıq hədəfləri anlamaq üçün daha geniş kontekst toplamaq.
• Çoxmiqyaslı xüsusiyyət birləşməsindən sonra faydalı siqnalı mürəkkəb fon xüsusiyyətlərindən daha yaxşı ayırmaq.

Buna görə RFA və RCSA eyni işi görən iki alternativ modul kimi deyil, şəbəkənin müxtəlif nöqtələrində bir-birini tamamlayan iki əməliyyat kimi yerləşdirilmişdir.

RFA və RCSA niyə birlikdə istifadə olunur?

RFA xüsusiyyət çıxarılmasının erkən və orta mərhələlərində müxtəlif ölçülü effektiv qəbuledici sahələrdən kontekst toplayarkən, RCSA sonradan yaranmış və birləşdirilmiş xüsusiyyətlərin kanal və məkan əhəmiyyətini yenidən çəkiləndirir; tədqiqatın dizayn məntiqində RFA “hansı ətraf konteksti görək?”, RCSA isə “zənginləşdirilmiş təmsildə hansı cavabları önə çıxaraq?” suallarına uyğun gəlir.

Əsas YOLO11n arxitekturası

Başlanğıc model standart backbone–neck–head quruluşundan istifadə edir. Backbone təsvirdən iyerarxik xüsusiyyətləri çıxarır, neck müxtəlif ayırdetmə səviyyələrindəki xüsusiyyətləri birləşdirir və detection head üç fərqli miqyasdan obyekt mövqeyi və sinif proqnozu yaradır.

Tədqiqatda detection head dəyişdirilməmişdir. Bu detal vacibdir; bildirilən fərqlər yeni detection head dizaynından deyil, xüsusiyyət çıxarma və yenidən kalibrləmə yoluna əlavə edilən RFA və RCSA komponentlərindən qaynaqlanır.

RFA: Qəbuledici Sahə Aqreqasiyası necə işləyir?

Konvolyusiya şəbəkəsinin qəbuledici sahəsi müəyyən bir xüsusiyyət qiymətinin giriş təsvirinin nə qədər geniş sahəsindən məlumat ala bildiyini ifadə edir. Kiçik hədəfi yalnız çox dar ətrafdan qiymətləndirmək sualtındakı zəif kənarlı və ya bulanıq obyektlərdə yetərsiz qala bilər.

RFA giriş xüsusiyyətlərini kanal qruplarına ayırır və müxtəlif effektiv qəbuledici sahələrə malik yerli əməliyyatları birləşdirir. Mənbədəki əsas tənlik belədir:

\[ F_{\mathrm{RFA}} = \mathrm{Conv}_{1\times1} \left( \mathrm{Concat} [ LO_1(X_1), LO_2(X_2), \ldots, LO_N(X_N) ] \right) \tag{1} \]

Burada \(X_i\) giriş xüsusiyyət tensorunun i-ci kanal qrupunu; \(LO_i(\cdot)\) müvafiq yerli operatoru; \(\mathrm{Concat}\) budaqlardakı xüsusiyyətlərin kanal istiqamətində birləşdirilməsini və \(1\times1\) konvolyusiya son kanal füzyonunu təmsil edir.

Mənbə sxemdə ardıcıl yerli operatorların təxminən 7×7, 9×9 və 11×11 effektiv qəbuledici sahələr yaratdığı göstərilir. Məqsəd yalnız böyük kernel istifadə etmək deyil, yerli detalları tam itirmədən müxtəlif kontekst ölçülərini birləşdirməkdir.

RCSA: Qalıq Kanal-Məkan Yenidən Kalibrlənməsi necə işləyir?

RCSA yolu dinamik residual group (DRG) daxilində Residual Channel-Spatial Attention Block (RCSAB) istifadə edir. Hər RCSAB iki ədəd 3×3 konvolyusiya tətbiq edir. Birinci konvolyusiyanı batch normalization və LeakyReLU, ikinci konvolyusiyanı isə batch normalization izləyir.

Kanal diqqəti həm global average pooling, həm də global maximum pooling xülasələrini ortaq ikiqatlı 1×1 çevirmədən keçirir. Dinamik məkan diqqəti isə hər nümunə üçün qlobal xüsusiyyətlərlə şərtləndirilmiş 3×3 məkan kernel-i yaradır.

RCSAB-nin əsas çevrilmə zənciri:

\[ F=T(X) \tag{2} \]

\[ F_c=M_c(F)\odot F \tag{3} \]

\[ F_{cs}=M_s(F_c)\odot F_c \tag{4} \]

\[ F_{out}=P(X)+G(F_{cs}) \tag{5} \]

şəklindədir. Burada \(T(\cdot)\) attention-dan əvvəlki konvolyusiya-normallaşdırma çevrilmələrini, \(M_c\) kanal diqqət xəritəsini, \(M_s\) məkan diqqət xəritəsini, \(G(\cdot)\) çıxış konvolyusiyasını və \(\odot\) element-üzrə vurmanı göstərir.

\(P(X)\), ölçülər uyğun gəlirsə identity shortcut; uyğun gəlmirsə xüsusiyyət ölçülərini hizalayan projection shortcut-dır. Bu residual yol attention əməliyyatının faydalı məlumatı tam silməsinin qarşısını alan birbaşa məlumat keçidi təmin edir.

Kanal diqqət xəritəsi:

\[ M_c(F) = \sigma \left[ W_2\delta(W_1\,GAP(F)) + W_2\delta(W_1\,GMP(F)) \right] \tag{6} \]

kimi verilir. Burada GAP global average pooling, GMP global maximum pooling, \(\delta\) ReLU və \(\sigma\) sigmoid funksiyasıdır.

Dinamik məkan kernel-i:

\[ K(F_c) = \mathrm{reshape} \left[ W_{k2}\delta(W_{k1}GAP(F_c)) \right] \in \mathbb{R}^{1\times3\times3} \tag{7} \]

və məkan diqqəti:

\[ M_s(F_c) = \sigma \left[ K(F_c)*\mathrm{mean}_c(F_c) \right] \tag{8} \]

şəklindədir. \(\mathrm{mean}_c\) xüsusiyyətlərin kanal ölçüsündəki ortalamasını; \(*\) isə nümunə əsaslı grouped convolution əməliyyatını təmsil edir. Kernel sabit deyil; giriş nümunəsindən törədilir.

Dörd RCSAB və son bir 3×3 konvolyusiya birlikdə bir dinamik residual group yaradır. C2PSA daxilində bir kanal budağı bu qrupu keçərək birbaşa irəliləyir, digər budaq isə dinamik residual və feed-forward yolundan keçir; iki budaq sonda birləşdirilərək 1×1 konvolyusiya ilə füzyon edilir.

RFA və RCSA-nın tədqiqatdakı yenilik sərhədi

Tədqiqat RFA anlayışını və ya dinamik residual group ideyasını ilk dəfə icad etdiyini iddia etmir. RFA mövcud RFAConv yanaşmasından, dinamik residual qrup topologiyası isə DRPCA-Net-dən uyğunlaşdırılmışdır. Tədqiqatın töhfəsi bu mövcud strukturların sualtı YOLO11n xüsusiyyət çıxarılmasına xüsusi yerləşdirilməsi, RCSA yolu daxilində birləşdirilməsi və RFA ilə birlikdə eksperimental olaraq sınaqdan keçirilməsidir.

Məlumat dəsti və sinif balanssızlığı

Məlumat dəsti 15 sinif ehtiva edir. Mənbə etiketləri dəqiq olaraq belədir: mask, can, cellphone, electronics, gbottle, glove, metal, misc, net, pbag, pbottle, plastic, rod, sunglasses və tire. “gbottle”, “pbag” və “pbottle” kimi etiket tokenlarının açılışı mənbə cədvəlində ayrıca müəyyənləşdirilmədiyi üçün burada təxmin edilərək yenidən adlandırılmamışdır.

Siniflər açıq şəkildə balanssızdır. Məsələn, təlim bölməsində tire üçün 6.816 obyekt olduğu halda sunglasses üçün yalnız 42, rod üçün 78 və metal üçün 168 obyekt bildirilmişdir. Bu balanssızlıq holdout qiymətləndirməsində də sinif əsaslı qeyri-müəyyənliyin mühüm səbəblərindən biridir.

Validation və holdout niyə ayrı saxlanıldı?

1.001 təsvirlik validation bölməsi model və checkpoint seçimində istifadə edilərkən 498 təsvirlik audit edilmiş holdout yalnız yekun qiymətləndirmə üçün istifadə edilmişdir. Beləliklə model seçimi ilə yekun testin bir-birinə qarışması azaldılmışdır.

Holdout yaradılarkən tam SHA-256 dublikat yoxlaması və fayl adlarından törədilmiş provenance identifikatorları istifadə edilmişdir. Təlim və ya validation ilə eyni provenance qrupunda görünən namizəd test təsvirləri çıxarılmışdır.

Bu üsul açıq məlumat sızmasını azaldır; lakin mənbə bunun fiziki sahə müstəqilliyini sübut etmədiyini açıq şəkildə vurğulayır. Üstəlik validation və holdout eyni açıq mənbə məlumat dəstindən törədilmişdir.

Model həqiqətən ROV üzərində real vaxtda işlədildimi?

Xeyr. Mənbədəki ROV fotoşəkilləri müəlliflərin iştirak etdiyi əlaqəli təcrübələrin tətbiq kontekstini göstərir; bu tədqiqatda bildirilən model workstation üzərində məlumat dəstləri ilə qiymətləndirilmiş, Jetson sinifli ROV aparatında ucdan-uca FPS, gecikmə, yaddaş, güc və ya enerji ölçümü aparılmamışdır.

ROV konteksti niyə yenə də vacibdir?

Kompakt ROV-larda prosessor tutumu, yaddaş, güc büdcəsi, daşıma qabiliyyəti və soyutma məhdud ola bilər. Buna görə parametr və GFLOP sayı aşağı olan model hazırlamaq əməliyyat baxımından mənalıdır. Lakin statik model mürəkkəbliyi real aparat sürətinin əvəzi deyil.

Növbəti doğrulama mərhələsində hədəf aparat üzərində ən azı ucdan-uca latency, FPS, peak memory, güc sərfiyyatı və frame başına enerji ölçülməlidir.

Qiymətləndirmə metrikləri nə deməkdir?

Precision modelin etdiyi müsbət aşkarlamaların nə qədərinin düzgün olduğunu ölçür:

\[ Precision=\frac{TP}{TP+FP} \]

TP doğru müsbətləri, FP yanlış müsbətləri təmsil edir. Precision yüksəkdirsə, modelin “obyekt var” dediyi qutuların daha böyük hissəsi həqiqidir.

Recall real obyektlərin nə qədərinin model tərəfindən tapıldığını ölçür:

\[ Recall=\frac{TP}{TP+FN} \]

FN yanlış mənfiləri, yəni təsvirdə mövcud olduğu halda qaçırılan obyektləri təmsil edir.

F1 balı Precision ilə Recall arasında harmonik tarazlıq yaradır:

\[ F_1=\frac{2PR}{P+R} \]

Burada \(P\) Precision, \(R\) Recall qiymətidir.

mAP@0.5, Intersection over Union (IoU) həddi 0,5 olduqda sinif əsaslı Average Precision qiymətlərinin ortalamasından istifadə edir. mAP@0.5:0.95 isə IoU hədlərini 0,50-dən 0,95-ə 0,05 addımlarla keçərək daha sərt lokallaşdırma dəqiqliyini qiymətləndirir.

Tədqiqatın Metodu və Nəticələri

Təcrübə mühiti və təlim parametrləri

Məlumat artırma və optimizasiya

Mənbədə hsv_h = 0,015, hsv_s = 0,7, hsv_v = 0,4; translate = 0,1; scale = 0,5; horizontal flip = 0,5 və Mosaic = 1,0 istifadə edilmişdir. Degrees = 0, vertical flip = 0 və MixUp = 0 olaraq saxlanılmışdır.

Ultralytics 8.3.163-ün optimizer = auto seçimi Nesterov SGD yaratmışdır. Başlanğıc learning rate 0,01, momentum 0,9 və nominal weight decay 0,0005-dir. Batch 30, accumulation 2 və nbs = 64 şərtlərində effektiv weight decay 0,00046875 olaraq bildirilmişdir.

Warm-up üç epoch davam etmiş, patience 100 olaraq müəyyən edilmişdir. Öyrənmə sürəti xətti şəkildə azaldılmışdır; cos_lr söndürülmüşdür. Son 10 epoch-da Mosaic deaktiv edilmişdir.

Əsas 100-epoch müqayisəsi

Birləşdirilmiş model validation mAP@0.5 baxımından ən yüksək orta qiyməti vermişdir. Bununla belə daha sərt mAP@0.5:0.95 metrikindəki artım çox kiçikdir.

RFA təkbaşına nə verdi?

İlk seed-42 modul skanında RFA tək modul namizədləri arasında ən güclü mAP nəticələrini vermişdir. Mənbə YOLO11n başlanğıcına nisbətən mAP@0.5 artımını 2,2 faiz bəndi və mAP@0.5:0.95 artımını 1,3 faiz bəndi olaraq bildirir.

CSA_ConvBlock seed-42 skanında daha yüksək Precision versə də, Recall və mAP qazancları daha kiçikdir. RCSA təkbaşına aqreqat metrikləri yalnız məhdud dərəcədə dəyişmişdir.

Bu tapıntı mənbə tərəfindən ehtiyatla belə şərh edilmişdir ki, RCSA-nın faydası əvvəlcə RFA kimi mexanizmin kifayət qədər informativ kontekst yaratmasından asılı ola bilər.

RFA + RCSA-nın RFA-ya nisbətən statistik fərqi

Üç uyğunlaşdırılmış seed üzərində RFA + RCSA, RFA ilə müqayisədə validation mAP@0.5 qiymətini 0,0178 artırmışdır. Uyğunlaşdırılmış %95 etibar intervalı 0,0103–0,0253 və paired t-test p = 0,009 olaraq bildirilmişdir.

mAP@0.5:0.95 fərqi isə yalnız 0,0021-dir; %95 etibar intervalı −0,0150–0,0191 və p = 0,654-dür. Buna görə tədqiqat daha sərt IoU şərtlərində üstün lokallaşdırma performansının statistik olaraq göstərildiyini iddia etmir.

Bundan əlavə n = 3 yalnız üç seed deməkdir. Müəlliflər bu analizi ümumi üstünlüyün qəti sübutu kimi deyil, run-to-run dəyişkənliyini göstərən kəşfiyyat xarakterli uyğunlaşdırılmış müqayisə ilə məhdudlaşdırırlar.

Model mürəkkəbliyi

RFA təkbaşına parametr və hesablama xərcini çox az artırarkən, RCSA-nın əlavə edilməsi ümumi modeli 4,19 milyon parametrə çatdırır. Buna baxmayaraq mənbə modeli hələ də yüngül namizəd kimi təsnif edir.

YOLOv8n müqayisəsinin sərhədi

Mənbə eyni məlumat mənbəyində YOLOv8n üçün Precision 0,842, Recall 0,779, mAP@0.5 0,821 və mAP@0.5:0.95 0,508 bildirir. Lakin YOLOv8n yalnız bir run, YOLO11n və RFA + RCSA isə üç run əsasında verilmişdir. Mənbə də YOLOv8n-i yalnız eyni-dataset üzrə təmsilçi yüngül detektor müqayisəsi kimi istifadə edir.

Buna görə bu cədvəl müxtəlif seed sayına malik modellər arasında qəti ümumi üstünlük testi kimi şərh edilməməlidir.

Validation nəticəsi real dünya uğurunu göstərirmi?

Xeyr. Validation və audit edilmiş holdout eyni açıq mənbə məlumat dəstindən gəlir; həmçinin xarici TrashCan Material testindəki ciddi performans azalması eyni məlumat mənbəyindəki uğurdan fərqli təsvir domenlərinə və ya sinif taksonomiyalarına ümumi dayanıqlıq nəticəsi çıxarıla bilməyəcəyini göstərir.

Audit edilmiş holdout nəticəsi

Holdout nəticələrinin validation nəticələrindən aşağı olması, daha ayrılmış yekun qiymətləndirmə dəstinin model üçün daha çətin sınaq yaratdığını göstərir. Lakin holdout-un fiziki olaraq müstəqil dəniz sahəsindən gəldiyi sübut edilməmişdir.

Sinif üzrə uzun quyruq qeyri-müəyyənliyi

Rod sinfində yalnız iki test obyekti olduğuna görə AP@0.5 = 0,414 ± 0,198 qiymətinin qeyri-müəyyənliyi çox yüksəkdir. Sunglasses sinfində isə yalnız bir nümunə vardır. Bir nümunə üzərində hər üç checkpoint-in AP@0.5 = 0,995 verməsi geniş ümumiləşdirmə sübutu deyil.

Mənbə həmçinin verilən etibar intervallarının təsvir nümunələmə qeyri-müəyyənliyini deyil, yalnız üç seed arasındakı dəyişimi ölçdüyünü xüsusi vurğulayır.

Nadir sinifləri dörd dəfə daha tez-tez nümunələmək fayda verdimi?

Xeyr. Metal, rod və sunglasses sinifləri üçün 4× oversampling tətbiq edilmiş, lakin yeni və ya sintetik təsvir yaradılmamışdır; yalnız təlim zamanı nümunələmə tezliyi dəyişdirilmişdir.

Referans holdout mAP@0.5 0,779 ± 0,018 olduğu halda oversampling-dən sonra 0,772 ± 0,006 olmuşdur. mAP@0.5:0.95 də 0,467 ± 0,007-dən 0,464 ± 0,007-yə dəyişmişdir. Mənbə bu təcrübəni performans artımı kimi deyil, mənfi nəzarət kimi bildirir.

Parlaqlıq və kontrast dəyişikliklərinə dayanıqlıq

Parlaqlığın 0,70 və ya 1,30 əmsalı ilə dəyişdirilməsi nəticələrə yalnız az təsir etmişdir. Bunun əksinə, aşağı kontrast model üçün aydın xəta şəraitidir.

Contrast 0,70 vəziyyətində mAP@0.5 təxminən 0,779-dan 0,644-ə, mAP@0.5:0.95 isə 0,467-dən 0,397-yə düşmüşdür. Mənbə bu nəticəni hədəflə fon arasındakı zəif ayrımın daha kritik fotometrik uğursuzluq rejimi olduğuna işarə edəcək şəkildə şərh edir.

Xarici məlumat dəsti testi

TrashCan Material metal/plastic alt dəstindən 1.204 təsvir və 599 uyğunlaşdırılmış hədəf nümunəsi ilə aparılmış xarici domen testində RFA + RCSA yalnız:

• mAP@0.5 = 0,031 ± 0,023
• mAP@0.5:0.95 = 0,017 ± 0,012

vermişdir.

Bu aşağı nəticə mənbədə gizlədilməmiş, əksinə modelin eyni-mənbə holdout uğurunun cross-dataset dayanıqlıq sübutu olmadığını göstərmək üçün saxlanılmışdır. Taksonomiya və domain fərqi ciddi performans itkisi yaradır.

Dayanıqlılıq əlaqəsinin sərhədi

Tədqiqat dəniz tullantılarının aşkarlanmasını dəniz dibi yaşayış mühitlərinin, limanların, yanalma sahələrinin, sualtı kabellərin və açıq dəniz bərpa olunan enerji infrastrukturunun təkrarlanan monitorinqinə kömək edə biləcək qavrama komponenti kimi mövqeləndirir.

Bu istifadə Birləşmiş Millətlər Təşkilatının Dayanıqlı İnkişaf Məqsədi 14 ilə əlaqələndirilmişdir. Lakin tədqiqat ekoloji dayanıqlılığı birbaşa ölçmür.

Ölçülməyən nəticələr arasında:

• dəniz tullantılarının təmizlənmə nisbəti,
• biomüxtəlifliyin yaxşılaşması,
• həyat dövrü təsiri,
• enerji sərfiyyatı,
• karbon emissiyası

vardır.

Buna görə “model dəniz ekosistemini yaxşılaşdırdı” şəklində nəticə bu tədqiqatdan çıxarıla bilməz. Doğrulanan şey təsvirlərdəki dəniz tullantılarının tanınması və təsnifləşdirilməsidir.

Tədqiqatın dəstəklədiyi nəticələr

• RFA ortaq 100-epoch protokolunda YOLO11n-in kontekstual təmsilini yaxşılaşdıra bilmişdir.
• RFA + RCSA validation mAP@0.5 orta qiymətini 0,848 ± 0,001-ə yüksəltmişdir.
• RFA + RCSA-nın RFA-ya nisbətən mAP@0.5 artımı üç uyğunlaşdırılmış seed üzərində müşahidə edilmişdir.
• Daha sərt mAP@0.5:0.95 üstünlüyü göstərilməmişdir.
• Model 4,19 M parametr və 8,91 GFLOPs ilə kompakt arxitektura namizədidir.
• Aşağı kontrast performansı aydın şəkildə pisləşdirir.
• Nadir siniflərdə nümunə sayının çox aşağı olması böyük qeyri-müəyyənlik yaradır.
• Sadə 4× rare-class oversampling aqreqat holdout performansını yaxşılaşdırmamışdır.
• Xarici məlumat dəsti testi ciddi domain-ümumiləşdirmə problemi göstərmişdir.

Tədqiqatın dəstəkləmədiyi nəticələr

• Modelin real ROV üzərində real vaxtda işlədiyi göstərilməmişdir.
• Jetson sinifli FPS və ya latency ölçülməmişdir.
• Güc, energy/frame və ya peak memory ölçülməmişdir.
• Holdout fiziki olaraq müstəqil dəniz sahəsi deyil.
• Üç seed ümumi model üstünlüyü üçün geniş statistik sübut deyil.
• Tək bir sunglasses nümunəsində yüksək AP geniş sinif ümumiləşdirməsi demək deyil.
• Eyni məlumat mənbəyindəki uğur fərqli məlumat dəstlərində qorunmamışdır.
• Modelin dəniz tullantılarını fiziki olaraq təmizlədiyi və ya ekoloji yaxşılaşma təmin etdiyi ölçülməmişdir.
• Dayanıqlılıq, enerji və ya karbon təsiri kəmiyyətcə hesablanmamışdır.

Gələcək tədqiqat tələbləri

Mənbə gələcək doğrulama üçün daha çox nadir sinif məlumatını, focal loss və class-balanced loss kimi itki funksiyası tədqiqatlarını, daha geniş cross-dataset qiymətləndirməni, real ROV hərəkəti və bulanıqlıq/turbidity şəraitində sahə sınağını və hədəf gömülü aparat üzərində sistemli profilləşdirməni prioritet hesab edir.

Real deployment tədqiqatı həmçinin seçilmiş precision rejimi və batch size altında latency, FPS, peak memory, güc və energy/frame qiymətlərini bildirməlidir.

Mənbə və Metod Qeydi

Orijinal tədqiqat: Lightweight Underwater Marine-Debris Detection for Sustainable Ocean Monitoring Using Receptive-Field Aggregation and Residual Channel-Spatial Recalibration

Müəlliflər: Yuhua He; Zhiqiang Huang; Yun Guo.

Corresponding authors: Zhiqiang Huang və Yun Guo.

Corresponding author e-poçtları: chinahuang@usst.edu.cn; graceguo1980@126.com.

Afiliasiya 1: School of Mechanical and Automotive Engineering, Shanghai University of Engineering Science, Shanghai 201620, China.

Afiliasiya 2: Education Union, University of Shanghai for Science and Technology, Shanghai 200093, China.

Jurnal: Sustainability.

Nəşriyyat: MDPI, Basel, Switzerland.

Cild / buraxılış / məqalə nömrəsi: Volume 18, Issue 17, Article 8986.

DOI: 10.3390/su18178986.

Göndərilmə tarixi: 5 Avqust 2026.

Reviziya tarixi: 25 Avqust 2026.

Qəbul tarixi: 26 Avqust 2026.

Nəşr tarixi: 2 Sentyabr 2026.

Mənbə növü: Hakemli açıq girişli tədqiqat məqaləsi; dərin öyrənmə əsaslı obyekt aşkarlanması, arxitektura uyğunlaşdırması və eksperimental doğrulama tədqiqatı.

Məqalə lisenziyası: Creative Commons Attribution (CC BY).

Rəsmi keçid: https://doi.org/10.3390/su18178986

Məlumat dəsti: Roboflow Universe üzərindəki Underwater Waste Dataset.

Məlumat dəsti lisenziyası: Mənbə məqalənin Data Availability bölməsində CC BY 4.0 olaraq göstərilmişdir.

Təlim bölməsi: 10.884 unikal təsvir.

Validation bölməsi: 1.001 təsvir, 1.892 etiketlənmiş obyekt.

Orijinal test bölməsi: 501 təsvir.

Audit edilmiş yekun holdout: 498 təsvir, 963 obyekt.

Əsas model: YOLO11n + Receptive-Field Aggregation (RFA) + Residual Channel-Spatial Recalibration (RCSA).

Detection head: Dəyişdirilməmiş YOLO11n detection head.

Əsas təlim protokolu: 100 epoch; seeds 42, 2026 və 3407; giriş 640×640; batch size 30.

Model ölçüsü: 4,19 milyon parametr; 8,91 GFLOPs; təxminən 8,43 MB çəki.

Əsas validation nəticəsi: Precision 0,861 ± 0,016; Recall 0,801 ± 0,012; mAP@0.5 0,848 ± 0,001; mAP@0.5:0.95 0,511 ± 0,002.

Əsas holdout nəticəsi: Precision 0,820 ± 0,033; Recall 0,748 ± 0,014; mAP@0.5 0,779 ± 0,018; mAP@0.5:0.95 0,467 ± 0,007.

Embedded deployment vəziyyəti: Ölçülməmişdir. Jetson FPS, latency, peak memory, güc və energy/frame məlumatı yoxdur.

Supplementary Materials: S1 məlumat bölgüləri və leakage-control audit; S2 uyğunlaşdırılmış arxitektura protokolu; S3 təkrarlanan-seed nəticələri; S4 əlavə qiymətləndirmə protokolları; S5 deployment boundary.

Müəllif töhfələri: Konseptuallaşdırma Z.H. və Y.G.; metod Y.H., Z.H. və Y.G.; proqram təminatı Y.H.; doğrulama Y.H. və Z.H.; formal analiz və tədqiqat Y.H.; resurslar Y.G.; məlumat kürasiyası Y.H.; ilkin qaralama Y.H.; nəzərdən keçirmə/redaktə Z.H. və Y.G.; vizuallaşdırma Y.H.; supervision və layihə idarəetməsi Z.H. və Y.G.; funding acquisition Z.H.

Maliyyələşdirmə bəyanatı: Məqalənin “Funding” bölməsi “This research received no external funding” ifadəsini istifadə edir.

Maliyyələşdirmə ilə bağlı mənbə-daxili uyğunsuzluq: Eyni məqalənin Acknowledgments bölməsi tədqiqatın National Natural Science Foundation of China tərəfindən Grant No. 52476212 çərçivəsində dəstəkləndiyini bildirir; Author Contributions bölməsində də Z.H. üçün “funding acquisition” yazılmışdır. Mənbə bu iki bəyanın necə uzlaşdırılacağını izah etmir.

Etika komitəsi: Tətbiq edilmir.

Məlumatlandırılmış razılıq: Tətbiq edilmir.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşması bildirməmişdir. Məqalə həmçinin maliyyələşdiricinin tədqiqat dizaynında, məlumat toplanmasında, analizdə, şərhdə, yazıda və ya nəşr qərarında rolunun olmadığını bildirir.