【论文推荐】基于YOLOv8和视觉变换器的侧扫声呐目标检测方法

随着水下声呐技术的不断进步，侧扫声呐图像目标检测成为现代海洋环境监测中的关键任务，目的是准确、快速识别和定位水下目标，如海底地形特征、海洋生物、沉船等，随着海洋资源开发和环境保护需求的增加，对侧扫声呐图像处理技术提出了更高的要求。传统基于卷积神经网络的方法在处理复杂背景和小目标时存在精度不足和计算量大的问题。近年来，ViT凭借全局建模能力和对长距离依赖关系的优越处理能力，在图像识别任务中取得了一定的成果，然而，直接将Vi应用于侧扫声呐图像目标检测存在计算复杂度高和训练难度大的问题。为解决上述问题，本文提出了一种基于YOLOv8和ViT的新型目标检测模型——YOLOv8-ViT-KD。YOLOV8作为骨干网络，具有高效的特征提取能力和快速的推理速度,ViT则通过全局建模能力，进一步提升特征表示的鲁棒性和准确性此外，采用KD方法，将YOLOv8作为教师模型，新模型作为学生模型进行训练，减小模型复杂度和计算开销，同时保持较高的检测精度。

（一）YOLOv8算法

YOLOv8算法是由人工智能研究团队Ultralytics提出的一种高效目标检测算法，在YOLO系列单阶段检测框架的基础上进行了多项创新与优化。该算法的改进之一是网络架构的优化，采用了改进的CSPDarknet作为骨干网络，进一步增强了特征提取能力，并通过调整特征金字塔网络的设计，提升了对不同尺度目标的检测性能。

（二）视觉变换器

ViT是由谷歌研究团队提出的一种创新图像处理架构，将自然语言处理领域中广泛使用的Transformer架构引入计算机视觉任务。它将图像分割为固定大小的块，并将这些块视为序列输入，通过自注意力机制建模图像块之间的全局关系，这使得ViT能够捕捉图像中的长距离依赖和全局背景信息，从而在图像分类等任务中表现出色。

（三）知识蒸馏

知识蒸馏是一种模型压缩技术，通过将复杂模型的知识迁移到一个更小、更高效的模型，从而在保持较高性能的同时，降低计算成本和存储需求。该技术最早由Hinton等人于2015年提出，其思想是利用教师模型的软标签来指导学生模型的学习，使学生模型能够学习教师模型的泛化能力，而不仅仅是简单的标签信息。