点击蓝字

关注我们

关注并星标

从此不迷路

计算机视觉研究院

公众号ID｜计算机视觉研究院

学习群｜扫码在主页获取加入方式

https://pmc.ncbi.nlm.nih.gov/articles/PMC12293038/pdf/biomimetics-10-00451.pdf

计算机视觉研究院专栏

Column of Computer Vision Institute

在无人机巡检、安防监控、军事预警等场景中，红外小目标检测因目标像素少、纹理缺失、易被背景噪声淹没，一直是技术难题。近日，山东理工大学团队提出YOLO‑HVS 算法，基于 YOLOv8 融合人类视觉系统（HVS）特性，在复杂遮挡、低信噪比下实现高精度、轻量化实时检测。

PART/1

    痛点   

核心痛点：红外小目标检测的两大难题

1. 背景干扰强：植被、阴影、热噪声易造成误检，小目标被遮挡后特征丢失。
2. 多尺度提取难：无人机飞行高度变化，目标尺寸跨度大，常规模型难以兼顾。

现有算法要么精度不足，要么参数量大、速度慢，无法满足实时部署需求。

PART/2

     方案   

创新方案：两大核心模块，精准攻克难题

团队以 YOLOv8 为基线，打造YOLO‑HVS架构，核心升级两大模块：

1. MultiSEAM 多尺度空间增强注意力模块

• 采用三分支并行（patch=6/7/8），兼顾局部细节与全局上下文。

• 深度可分离卷积提取空间特征，逐点卷积融合通道信息。

• 抑制背景噪声、增强被遮挡目标特征

  ，解决遮挡导致的漏检问题。

 MultiSEAM 结构示意图

2. C2f_DWR 区域语义双残差模块

• 替换 YOLOv8 原 C2f 模块，用膨胀卷积 + 双阶段残差（区域残差→语义残差）。

• 扩大感受野，高效捕获多尺度上下文，降低计算量、提升检测效率。

DWR 模块网络结构

PART/3

     数据集    

数据集：自建更贴合真实场景

为验证泛化性，团队构建DroneRoadVehicles 红外数据集：

• 1028 张红外图像，拍摄高度 70–300m，覆盖大 / 中 / 小多尺度目标。

• 包含高速、停车场、十字路口等复杂场景，昼夜、晴雾天气全覆盖。

多场景示例

不同高度对比

 目标类别

PART/4

     实验结果   

实验结果：精度提升、轻量高效

团队在公开数据集DroneVehicle与自建数据集上全面测试：

1. 关键指标（对比 YOLOv8）

• DroneVehicle：mAP50 达 83.4%，提升 1.1%；参数量仅增 2.3M，GFLOPs 仅增 0.1G。

• 自建数据集：mAP50 达 97.8%，提升 0.7%，遮挡与低信噪比场景优势显著。

  

  DroneVehicle 对比结果

  

   自建数据集对比结果

2. 消融实验验证

• MultiSEAM：提升抗遮挡能力，mAP50+0.4%。

• C2f_DWR：优化多尺度提取，降低计算量 3.7%。

• 组合使用：精度与效率双优。

  
  

 消融实验结果

3. 可视化对比

• 小目标 + 强噪声场景：YOLOv8 漏检，YOLO‑HVS 精准检出。

• 常规目标：检测置信度显著更高，输出更可靠。

检测效果对比图

PART/5

     总结   

YOLO‑HVS 以人类视觉机制为灵感，通过 MultiSEAM 与 C2f_DWR 双模块升级，在红外小目标、复杂遮挡、多尺度变化三大难点上实现突破，同时保持轻量化与实时性。

未来团队将进一步研究动态感受野调整，适配极端尺度变化场景，为无人机红外监控、安防预警等落地提供更强技术支撑。

有相关需求的你可以联系我们！

END

转载请联系本公众号获得授权

计算机视觉研究院学习群等你加入！

ABOUT

计算机视觉研究院

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架，提供论文一键下载，并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！

往期推荐 

🔗

• YOLO-TLA：一种基于 YOLOv5 的高效轻量级小目标检测模型

• ViT-YOLO：基于Transformer的用于目标检测的YOLO算法

• SSMA-YOLO：一种轻量级的 YOLO 模型，具备增强的特征提取与融合能力，适用于无人机航拍的船舶图像检测

• LUD-YOLO：一种用于无人机的新型轻量级目标检测网络

• Gold-YOLO：基于聚合与分配机制的高效目标检测器

• Drone-YOLO：一种有效的无人机图像目标检测

• 「无人机+AI」“空中城管”

• 无人机+AI：光伏巡检自动化解决方案

• 无人机视角下多类别船舶检测及数量统计
  

• 机场项目：解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题

• 2PCNet：昼夜无监督域自适应目标检测（附原代码）

• YOLO-S：小目标检测的轻量级、精确的类YOLO网络

• 大改Yolo框架 |  能源消耗极低的目标检测新框架（附论文下载）

• 改进的检测算法：用于高分辨率光学遥感图像目标检测