红外小目标检测在红外制导、跟踪系统等军事领域中有着广泛的应用,是红外图像处理中的一个重要方向。由于检测设备的限制和红外小目标固有信息的缺失,现有的检测方法难以满足实际的性能要求。为探索兼具轻量化和高检测精度的红外小目标...红外小目标检测在红外制导、跟踪系统等军事领域中有着广泛的应用,是红外图像处理中的一个重要方向。由于检测设备的限制和红外小目标固有信息的缺失,现有的检测方法难以满足实际的性能要求。为探索兼具轻量化和高检测精度的红外小目标检测模型,以YOLOv10n为基础,设计轻量且高效的YOLOv10n红外小目标检测模型(Lightweight YOLOv10n,L-YOLOv10n)。通过轻量级空间通道解耦下采样(Lightweight Spatial-Channel decoupled Downsampling,L-SCDown)模块替换YOLOv10n中的SCDown模块,以较低计算成本增强红外小目标的关键特征;采用轻量级具有2个卷积的跨阶段部分瓶颈(Lightweight Cross-stage partial convolution with Two Fusion layers,L-C2f)模块替代C2f模块,在降低计算成本的同时增强小目标边缘信息并提取多尺度特征。针对红外小目标像素少、前景与背景不平衡的问题,引入Focal Loss和更加聚焦的交并比(Focaler Intersection over Union loss,Focaler-IOU)损失函数,使模型更聚焦于难检测的目标。在公开数据集SIRST-V2和NUDT-SIRST上的实验结果表明:L-YOLOv10n的检测性能和资源消耗显著优于基于检测的模型,对于分割模型,L-YOLOv10n的检测性能略低于基于Transformer的分割模型,但是L-YOLOv10n的资源消耗显著优于其他模型;在NUDT-SIRST数据集上的泛化性能也远高于绝大多数的红外小目标检测模型。研究结果表明,新提出的模型在资源消耗和高精度检测之间取得了平衡,具有一定的实用性。展开更多
文摘红外小目标检测在红外制导、跟踪系统等军事领域中有着广泛的应用,是红外图像处理中的一个重要方向。由于检测设备的限制和红外小目标固有信息的缺失,现有的检测方法难以满足实际的性能要求。为探索兼具轻量化和高检测精度的红外小目标检测模型,以YOLOv10n为基础,设计轻量且高效的YOLOv10n红外小目标检测模型(Lightweight YOLOv10n,L-YOLOv10n)。通过轻量级空间通道解耦下采样(Lightweight Spatial-Channel decoupled Downsampling,L-SCDown)模块替换YOLOv10n中的SCDown模块,以较低计算成本增强红外小目标的关键特征;采用轻量级具有2个卷积的跨阶段部分瓶颈(Lightweight Cross-stage partial convolution with Two Fusion layers,L-C2f)模块替代C2f模块,在降低计算成本的同时增强小目标边缘信息并提取多尺度特征。针对红外小目标像素少、前景与背景不平衡的问题,引入Focal Loss和更加聚焦的交并比(Focaler Intersection over Union loss,Focaler-IOU)损失函数,使模型更聚焦于难检测的目标。在公开数据集SIRST-V2和NUDT-SIRST上的实验结果表明:L-YOLOv10n的检测性能和资源消耗显著优于基于检测的模型,对于分割模型,L-YOLOv10n的检测性能略低于基于Transformer的分割模型,但是L-YOLOv10n的资源消耗显著优于其他模型;在NUDT-SIRST数据集上的泛化性能也远高于绝大多数的红外小目标检测模型。研究结果表明,新提出的模型在资源消耗和高精度检测之间取得了平衡,具有一定的实用性。
