SU-YOLO：基于脉冲神经网络的高效水下目标检测模型解析

论文地址：https://arxiv.org/pdf/2503.24389

目录

一、论文概述

二、创新点解析

1. 基于脉冲的水下图像去噪（SpikeDenoiser）

原理与结构

2. 分离批归一化（SeBN）

原理与结构

3. 优化的残差块（SU-Block）

原理与结构

三、代码复现指南

环境配置

模型训练

四、仿真结果分析

性能对比（URPC2019）

可视化效果

五、应用场景

1. 海洋生物监测

2. 水下设施巡检

六、总结与展望

---

一、论文概述

水下目标检测是海洋研究、设施安全检测等领域的核心技术，但面临复杂光学环境和设备资源限制的挑战。本文提出的SU-YOLO​（Spiking Underwater YOLO）通过结合脉冲神经网络（SNN）的轻量化和低功耗特性，针对水下场景进行了多维度优化。论文核心贡献包括：​脉冲水下图像去噪模块、分离批归一化（SeBN）方法、优化的残差块设计，在URPC2019数据集上实现78.8% mAP，能耗仅2.98 mJ，显著优于主流SNN和部分ANN模型。

---