論文地址：https://arxiv.org/pdf/2503.24389

目錄

一、論文概述

二、創新點解析

1. 基于脈沖的水下圖像去噪（SpikeDenoiser）

原理與結構

2. 分離批歸一化（SeBN）

原理與結構

3. 優化的殘差塊（SU-Block）

原理與結構

三、代碼復現指南

環境配置

模型訓練

四、仿真結果分析

性能對比（URPC2019）

可視化效果

五、應用場景

1. 海洋生物監測

2. 水下設施巡檢

六、總結與展望

---

一、論文概述

水下目標檢測是海洋研究、設施安全檢測等領域的核心技術，但面臨復雜光學環境和設備資源限制的挑戰。本文提出的SU-YOLO?（Spiking Underwater YOLO）通過結合脈沖神經網絡（SNN）的輕量化和低功耗特性，針對水下場景進行了多維度優化。論文核心貢獻包括：?脈沖水下圖像去噪模塊、分離批歸一化（SeBN）方法、優化的殘差塊設計，在URPC2019數據集上實現78.8% mAP，能耗僅2.98 mJ，顯著優于主流SNN和部分ANN模型。

---