海洋生态系统变化对海洋生物会产生什么影响，实时检测法在其中又起到了什么关键？
由于海底光线分布不均、水浪影响较大、海底环境复杂等原因，水下机器人在海底采集信息时，网络特征提取往往变得更加困难，如何快速、准确地检测海洋生物是一个很大的困难和挑战。
海洋覆盖了地球表面积的70%左右，蕴藏着对人类生活具有重大影响的各种资源，调节海洋生态系统变化的浮游动物和底栖生物的数据却很难获得，人们对其物种和种群变化也没有相应的认识。
为增加对海洋信息的掌握，促进海洋的可持续发展，利用水下机器人对海洋生物进行识别定位检测是最根本的步骤。当前计算机硬件和软件设备性能的不断提高也不断推动着目标检测技术的发展。
早期的目标检测是通过人工提取目标特征进行的，时间成本高，准确率和速度相对较低，实用性低，由于自然环境复杂，水下探测通常更具挑战性，因此准确快速地收集目标信息至关重要。
深度学习目标检测算法逐渐成为热门研究，基于卷积神经网络（CNN）的模型使用反向传播机制进行学习，出色的特征提取能力，以及多层卷积学习，使得模型具有良好的泛化能力，深度学习目标检测算法主要根据有无候选框生成分为one-stage和two-stage两大类。
水下目标检测算法存在四个突出问题：水下光线分布不均，水波影响大，导致网络特征提取难度加大；复杂的水下环境，海洋生物与环境的区分度低，容易造成目标检测漏检的问题；高精度检测效果的网络结构通常比较复杂，参数和计算量都比较大；轻量级模型的检测精度通常较低且速度难以提升，泛化能力较弱。
解决水下图像成像失真和模糊以及生物检测精度差的问题的最有效方法是提升网络整体性能，为了提高卷积特征提取的能力，在YOLOv4-tiny模型中内置CoordinateAttention机制，并嵌入并连接到主干网络中。
在此基础上，FPN部分开发了dilationconvolution结构，增加了featuremap的感受野，保留了更丰富的特征信息，提高了海洋物种检测的准确率。YOLOv4-tiny通常使用特定大小的图像作为其输入，例如416×416和608×608，因为下采样后得到的两个不同尺度大小的特征图都是32的倍数。
人们使用大尺度图像如1920×1080和3840×2160用于训练，所以使用416×416大小作为输入。更多初始模型设置总的epoch数为200，初始学习率设置为0.005，其中学习率在50次迭代后降低到原来的10%。
YOLOv4-tiny结构是YOLOv4模型的浓缩形式，是轻量级模型，检测速度有明显提升，参数仅为原来的十分之一，描绘了YOLOv4-tiny结构，它的骨干网络，CSPDarknet53-tiny结构，由残差单元Resblock和基础卷积DBL组成，其中DBL是网络的batchnormalization(BN)和激活函数LeakyRelu的组合。
为了从YOLOv4-tiny结构中提取更多特征，使用了特征金字塔(FPN)结构，FPN结构是一种自上而下、左右相连的层次结构。通过融合来自不同特征的信息，构建不同尺度的高级语义特征，在卷积网络中，较浅的特征图分辨率较高，语义信息较少，但细节信息较强，而较深的特征图分辨率较低，语义信息较强。
照片中多尺度物体的识别，尤其是小物体的识别是困难的，因为随着网络深度的增加，像浅层中的位置这样的精细细节会迅速消失，FPN使用最近邻上采样反向逐渐增加特征图的尺寸并与上层特征图融合预测多尺度特征图，骨干网络使用连续卷积提取特征和下采样，结果具有更丰富的特征信息和更好的对各种尺度目标的检测性能。
使用YOLOv4-tiny模型进行海洋生物目标检测时，检测速度大大提高。但检测效果不佳，容易出现漏检和误检现象。经过研究，得出轻量级网络在提取特征时容易出现缺失特征位置信息和通道信息的问题，从而导致检测结果出现大量的误检和漏检。
CoordinateAttention(CA)是一种简单的注意力机制，包括通道和位置信息，很容易集成到移动网络中，这样它就可以访问全局信息，而不仅仅是本地信息，从而防止卷积这样做，因关系缺乏远距离义务而引起的问题，通道间交互的记录对于视觉活动（SE、CBAM）至关重要，为了提高性能，还构建了CA模块，将其嵌入并将其与模型YOLOv4-tiny连接起来。
针对海洋生物检测的特点设计了CA机制，同时也满足了海洋生物检测准确性和实时性的要求，嵌入并连接在YOLOv4-tiny的骨干网络中，除了设计并构建HDC结构，最后提出海洋生物检测算法MODA，并在数据增强后的两个海洋生物数据集上进行验证，在数据增强后的两个海洋生物数据集上验证MODA的有效性。
