在低分辨率的红外图像中优化了小物体检测,使用超级分辨率和基于注意力的功能融合

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 图像处理 图像处理

背景情况:

• 红外 (IR) 成像对于在低光和恶劣天气等具有挑战性的条件下对象检测至关重要.
• 传统模型在红外图像中的低分辨率,噪音和有限的细节问题上扎,阻碍了性能.
• 由于内在的图像质量限制,在IR图像中检测小物体仍然是一个重大挑战.

研究的目的:

• 开发一种优化的方法,用于在低分辨率红外图像中检测小物体.
• 为了提高功能质量和减少计算复杂性,用于增强的IR图像分析.
• 为了应对复杂的背景,尺度变化和噪声在IR物体检测中的挑战.

主要方法:

• 整合一个轻量级超分辨率网络 (LightweightSRNet) 以提高IR图像分辨率.
• 实施混合全球多头注意力 (HG-MHA) 机制,以专注于目标和减少噪音.
• 开发一个改进的SC-BiFPN模块,以有效地融合多层特征,以及一个C2f-Ghost-Sobel模块,以有效地提取边缘.

主要成果:

• 在HIT-UAV数据集上的检测性能显著改善,回忆率从70.23%增加到80.51%.
• 平均精度 (mAP) 从77.48%提高到83.32%,表明精度提高.
• 该模型在多个数据集中显示出强大的性能,验证了它在实际IR应用中的有效性.

结论:

• 拟议的方法有效地提高了在低分辨率红外图像中检测小物体的性能.
• 超分辨率,注意力机制和功能融合模块的集成带来了卓越的性能.
• 开发的模型为需要精确的红外物体检测的现实应用提供了有前途的解决方案.