YOLO13-C3k2-WDBB 海下垃圾清理机器人环境感知与障碍物识别系统

在 ./models/common.py 文件中添加注意力模块的实现代码。

class ChannelAttentionModule(nn.Module):
    def __init__(self, c1, reduction=16):
        super(ChannelAttentionModule, self).__init__()
        mid_channel = c1 // reduction
        self.avg_pool = nn.AdaptiveAvgPool2d(1)
        self.max_pool = nn.AdaptiveMaxPool2d(1)
        self.shared_MLP = nn.Sequential(
            nn.Linear(in_features=c1, out_features=mid_channel),
            nn.LeakyReLU(0.1, inplace=True),
            nn.Linear(in_features=mid_channel, out_features=c1))
        self.act = nn.Sigmoid()
    def forward(self, x):
        avgout = self.shared_MLP(self.avg_pool(x).view(x.size(0),-1)).unsqueeze(2).unsqueeze(3)
        maxout = self.shared_MLP(self.max_pool(x).view(x.size(0),-1)).unsqueeze(2).unsqueeze(3)
        return self.act(avgout + maxout)

WDBB 结构

WDBB(Weighted Dual-Branch Backbone) 结构采用双分支并行处理的方式，一个分支专注于浅层细节特征提取，另一个分支负责深层语义信息获取。

class WDBB(nn.Module):
    def __init__(self, in_channels, out_channels):
        super(WDBB, self).__init__()
        self.branch1 = Conv(in_channels, out_channels//2,1)
        self.branch2 = Conv(in_channels, out_channels//2,3)
        self.weight = nn.Parameter(torch.ones(2))
    def forward(self, x):
        branch1 = self.branch1(x)
        branch2 = self.branch2(x)
        weight = F.softmax(self.weight, dim=0)
        return weight[0]* branch1 + weight[1]* branch2

应用场景与实验结果

水下环境挑战

水下环境面临光线不足、水质浑浊、颜色失真、生物干扰和动态环境等挑战。CBAM 注意力机制能够有效应对这些挑战，通过通道注意力聚焦重要特征，通过空间注意力抑制背景干扰。

性能对比

集成 CBAM 注意力机制后，模型的 [email protected] 提升了 8.4 个百分点。

总结

YOLO13-C3k2-WDBB 算法通过创新的 C3k2 模块和 WDBB 结构，有效解决了海洋垃圾检测中的小目标检测和复杂背景干扰问题。未来工作包括优化注意力模块、多模态融合及实时性优化。