摘要: 针对海上复杂环境搜救检测中存在的小尺寸搜救目标检测效果不佳等问题，提出了基于SAN-YOLO的海上搜救目标检测算法。首先，将SeaDronesSee和自采数据集混合制成海上复杂环境搜救检测数据集，使该数据集具备丰富的图像样本和多样化的检测场景。然后，提出了基于SAN-YOLO的海上复杂环境搜救目标检测算法，设计了基于SPD-Coord的主干网络，通过无损空间降维和坐标卷积避免了特征提取过程中的细节信息损失并增强了对空间位置信息的获取能力；设计了基于C2f-AK注意力的特征融合网络，将C2f和可变核卷积融合，使得模块具有任意参数和形状的卷积核，增强了模型的特征融合能力；设计了基于NS Loss的损失函数，将NWD Loss和Slide Loss加权求和，降低了损失函数对于小目标位置差距的敏感度并增强了对复杂样本的权重，使得模型对于小目标有更好的检测效果。最后，在海上复杂环境搜救检测数据集上验证了算法性能。结果表明，SAN-YOLO的平均精度均值为77.6%,比基准模型提升了8.9%,且优于其他常见的开源算法。该算法在海上复杂环境搜救目标检测任务中有较好的综合检测性能。