基于光照引导的跨模态域适应热成像目标检测方法研究

本文提出了一种创新的光照引导特征适应框架（IAM+PPA），通过结合光照信息注意力机制（Illumination-guided Attention Mechanism）和渐进式原型适应模块（Progressive Prototype-based Adaptation），有效解决了可见光-热成像跨模态目标检测（DAOD）中的域偏移问题。该方法在KAIST和FLIR数据集上显著优于现有技术，为低照度环境下鲁棒性目标检测提供了新思路。

　　

Highlight亮点

本研究开创性地将光照信息作为跨模态域适应的指导信号，通过双模块协同机制实现：

1. 光照引导注意力模块（IAM）：像探照灯一样聚焦于前景目标，自动过滤背景噪声，使模型在可见光与热成像的"语言鸿沟"中找到共通特征词典

2. 渐进原型适应模块（PPA）：采用"先粗后精"的进化策略，先进行类别无关的全局特征对齐（CAPA），再执行像素级类别特异性校准（CSPA），如同显微镜般逐级放大关键特征差异

Object Detection目标检测

传统方法依赖手工特征的时代已被深度学习颠覆。Faster R-CNN^[1][24]开创的RPN（区域提议网络）架构仍是当前基准，但本文针对热成像特性进行了"热适应改造"——就像给普通相机加装红外滤镜，使其具备夜视超能力。

Problem Definition问题定义

设定中可见光源域（labeled）与热成像目标域（unlabeled）就像说着不同方言的双胞胎——共享相同的物体类别"基因"，却呈现完全不同的影像"表型"。我们的任务就是建立它们的"跨模态翻译词典"。

Experiments实验验证

在KAIST和FLIR两大热成像"考场"中，我们的方法像精准的体温计般检测出：

• 在行人检测任务中mAP提升12.6%，证明IAM模块能像红外夜视仪一样锁定关键特征

• 车辆识别F1-score提高9.2%，显示PPA模块具有"热成像特征矫正器"的作用

Conclusion结论

这套光照导航的跨模态适应系统，犹如给目标检测模型配备了"红外制导系统"，使其在可见光与热成像的"光谱战场"上实现精准打击。未来可拓展至医疗红外诊断等生命科学领域，让AI真正获得"黑暗中的眼睛"。