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
针对红外船舶目标在海上复杂海天背景下检测困难,且数据集目标大小与锚框不符造成的算法边界回归效果差、检测不准确等问题,提出了一种基于改进YOLOv5的红外船舶目标检测算法。首先针对锚框与数据集目标形状不匹配问题,通过改变K-means+...针对红外船舶目标在海上复杂海天背景下检测困难,且数据集目标大小与锚框不符造成的算法边界回归效果差、检测不准确等问题,提出了一种基于改进YOLOv5的红外船舶目标检测算法。首先针对锚框与数据集目标形状不匹配问题,通过改变K-means++聚类算法选取簇中心的评价标准,使用中位数代替平均数来决定簇中心,改进了锚框算法,使得锚框与船舶目标更加匹配,提高了算法的平均检测精度。改进后的聚类算法得到的锚框更加符合目标的分布特点。其次针对CIoU(Complete intersection over union)存在梯度爆炸、误检和漏检问题,通过改进边框回归损失函数中关于长宽比的惩罚项提出了MIoU(Multivariate intersection over union)回归损失函数,优化了算法的回归过程,提高了算法的收敛速度和检测精度,避免了相似目标的误检和漏检。改进后的回归损失函数使边框损失降低了1.5%。在红外船舶数据集上进行了消融实验和对比实验,消融实验结果表明文中改进算法的平均检测精度值相较于标准YOLOv5算法提高了1.1%,对比实验结果表明文中改进算法相较于其他改进YOLOv5算法具有更高的平均检测精度,验证了文中改进算法的优越性,提升了红外船舶目标的检测效果。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。
文摘针对红外船舶目标在海上复杂海天背景下检测困难,且数据集目标大小与锚框不符造成的算法边界回归效果差、检测不准确等问题,提出了一种基于改进YOLOv5的红外船舶目标检测算法。首先针对锚框与数据集目标形状不匹配问题,通过改变K-means++聚类算法选取簇中心的评价标准,使用中位数代替平均数来决定簇中心,改进了锚框算法,使得锚框与船舶目标更加匹配,提高了算法的平均检测精度。改进后的聚类算法得到的锚框更加符合目标的分布特点。其次针对CIoU(Complete intersection over union)存在梯度爆炸、误检和漏检问题,通过改进边框回归损失函数中关于长宽比的惩罚项提出了MIoU(Multivariate intersection over union)回归损失函数,优化了算法的回归过程,提高了算法的收敛速度和检测精度,避免了相似目标的误检和漏检。改进后的回归损失函数使边框损失降低了1.5%。在红外船舶数据集上进行了消融实验和对比实验,消融实验结果表明文中改进算法的平均检测精度值相较于标准YOLOv5算法提高了1.1%,对比实验结果表明文中改进算法相较于其他改进YOLOv5算法具有更高的平均检测精度,验证了文中改进算法的优越性,提升了红外船舶目标的检测效果。
