面向红外小目标检测的多尺度特征融合算法OA

为解决红外小目标分辨率低、成像模糊,容易受噪声影响等检测难题,本文基于YOLOv8n提出了一种多尺度特征融合的红外小目标检测算法YOLO-IRTD(YOLO-InfraRed Tiny Detect)。算法首先对YOLOv8的特征融合网络进行重构,提出了一种特征聚焦扩散金字塔网络,增强了网络对小目标特征的提取能力;设计了自适应动态检测头,通过促进分类分支和定位分支之间的信息交互,在降低模型复杂度的同时提升检测精度;最后将SimAM注意力机制融入星型块中,设计出Star-SimAM模块,替换主干网络中的C2f模块,在降低参数量的同时进一步增强网络的特征提取能力。经实验验证,YOLO-IRTD模型参数量下降20%,权重大小仅为5 MB,在HIT-UAV数据集上mAP高达90.4%,相比Base模型提升了3.6%,对比YOLO系列模型提升1%~4%,在FLIR数据集上mAP提升1.2%,泛化性能优异,模型各方面指标在目前主流检测模型中均处于领先地位。