一个适用于陆地和水面的轻量级红外目标检测网络

科学领域:

• 计算机视觉 计算机视觉
• 深度学习 (Deep Learning) 是一种深度学习.
• 对象检测检测器可以检测到物体.

背景情况:

• 像YOLO这样的物体检测网络对于智能交通和公共安全至关重要.
• 红外目标检测在低光和恶劣条件下比可见光更有优势.
• 虽然YOLOv7-tiny在可见光中很快,但在红外场景中与特征提取和语义信息丢失作斗争.

研究的目的:

• 提出LIWL-YOLO,一个轻量级的红外目标检测网络,用于陆地和水域目标.
• 为了增强特征提取,语义信息保留和用于红外物体检测的计算效率.
• 为了在红外目标检测中实现准确性和速度之间的平衡.

主要方法:

• 通过将空间到深度卷积 (SPDConv) 集成到FasterNet中来设计SPFNet骨干,以提高特征提取和速度.
• 将SAF-CA注意模块集成到部层中,以专注于薄弱的纹理特征.
• 将SPPCSPC模块替换为指数空间金字塔池模块,以增强低对比度信息提取.
• 使用MGD知识蒸,用YOLOv7作为教师模型,将知识压缩到改进的LIWL-YOLO模型中.
• 创建了一个混合FLIR-WSL数据集,结合FLIR-v2和定制红外水面图像.

主要成果:

• 在FLIR-WSL数据集上,LIWL-YOLO实现了69%的平均平均精度 (mAP),表现比YOLOv7-tiny高4.3%.
• 该模型在RTX4060显卡上达到93 FPS,显示了高处理速度.
• LIWL-YOLO在红外场景中有效检测陆地和水中的目标.

结论:

• 与YOLOv7-tiny.YOLO相比,LIWL-YOLO显著提高了红外目标检测精度和特征提取能力.
• 拟议的网络在红外应用中实现了检测精度和处理速度之间的良好平衡.
• LIWL-YOLO显示出适合于各种红外探测任务,包括涉及水和陆地目标的任务.