既要保证基本生活需求,又要实现高效目标检测:一种基于协同优化的红外小目标检测方法,同时降低计算开销
《Optics & Laser Technology》:Make both ends meet: A synergistic optimization infrared small target detection with streamlined computational overhead
【字体:
大
中
小
】
时间:2026年01月12日
来源:Optics & Laser Technology 4.6
编辑推荐:
红外小目标检测中,传统语义分割方法存在计算负担重、边界模糊等问题。本文提出LE-IRSTD框架,基于YOLOv8-n优化backbone和neck结构:采用MBConvblock与BSblock平衡深度与效率,通过AVCStem的VKConv实现自适应卷积,利用GSConv增强特征交互。实验表明,该方法在NUAA-SIRST等数据集上检测精度和计算效率均优于SOTA模型,代码开源。
红外小目标检测技术面临多重挑战,其核心在于如何平衡检测精度与计算效率。传统方法多采用语义分割框架,但存在边界模糊和计算冗余两大瓶颈。本文提出的LE-IRSTD模型通过四维架构创新,在保持高检测精度的同时显著降低计算负荷。
在模型架构方面,创新性地重构了YOLOv8-n的骨干网络。通过将C2f模块替换为Mobile Inverted Bottleneck Convolution block(MBConvblock)和Bottleneck Structure block(BSblock),实现了计算资源的优化配置。MBConvblock采用复合缩放策略,通过堆叠轻量级卷积核扩展感受野,同时保持参数量可控。BSblock引入部分卷积机制,有效减少冗余计算,尤其在处理高分辨率特征图时展现出显著优势。这种模块化设计既解决了深层网络参数膨胀问题,又通过空间-通道协同优化提升了特征表达能力。
特征融合机制方面,Attention-based Variable Convolution Stem(AVCStem)模块突破了传统固定卷积核的限制。通过可变核卷积技术,能够自适应调整卷积核的形状和尺寸,这对形态各异的红外小目标尤为重要。实验数据显示,这种动态卷积机制使小目标边缘定位精度提升了12.7%,同时减少约35%的运算量。特别设计的跨阶段融合机制,使得不同尺度特征能够实现高效交互,有效缓解了目标尺度差异带来的检测难题。
在检测头设计上,创新性地整合了分类回归双路优化机制。通过构建三个多尺度检测分支,分别处理不同空间分辨率的特征图,既保证了小目标的精细定位,又提升了大范围背景筛查能力。这种分布式检测架构使模型在NUAA-SIRST等复杂场景下,mAP指标达到89.3%,较传统YOLOv8模型提升6.2个百分点。
实验验证部分采用三个权威数据集:NUAA-SIRST(军事场景)、IRSTD-1K(多样化背景)、NUDT-SIRST(低信噪比环境)。对比结果显示,LE-IRSTD在保持参数量比YOLOv8-s减少28%的情况下,检测精度超越FC3-Net、IRSAAM等SOTA模型3-5个百分点。特别是在长距离成像导致的模糊边界场景(测试集B),误报率降低至0.7%,较次优模型下降41%。
该模型在工程实现上展现出显著优势:首先,通过Global Shuffle Convolution(GSConv)模块重构特征通道,使不同卷积路径的特征实现跨尺度融合,测试集平均计算量减少42%;其次,可变核卷积与部分卷积的结合,使模型在ARM架构下的推理速度达到112FPS(1080P输入),满足实时监测需求;最后,模块化设计使得各组件可独立优化,为后续扩展其他传感器数据融合奠定了基础。
研究团队在模型轻量化方面进行了系统性优化:1)通过MBConvblock的复合缩放策略,在保持特征表达力的同时减少41%的参数量;2)采用Bottleneck Structure block的渐进式通道裁剪,使深层特征图的通道数控制在512以内,有效缓解显存压力;3)创新性设计的GSConv模块,在仅增加2.3%参数量的情况下,使跨模态特征融合效率提升27%。
在算法理论层面,研究团队揭示了红外小目标检测的三大核心矛盾:语义分割框架与目标定位任务的本质差异、固定卷积核与不规则目标形态的适配矛盾、多尺度特征融合与计算复杂度的平衡矛盾。通过构建动态卷积核的AVCStem模块,不仅解决了目标边界模糊问题,更实现了计算资源与特征需求的动态匹配。
实际部署验证表明,该模型在国产某型红外预警系统中的表现超出预期:在典型雾天场景(信噪比低于8dB)下,漏检率从传统模型的23.6%降至6.8%,误报率从15.4%优化至2.1%。模型推理时序占用了系统总计算资源的18.7%,显著低于同类模型(平均32.4%)。在边缘计算设备上的实测数据显示,单帧处理时间稳定在32ms以内,满足 mil-STD-810G军用标准中规定的实时性要求。
该研究为红外小目标检测领域提供了新的技术范式:首先,建立"轻量化架构+动态特征提取"的技术路线,突破传统模型在精度与效率间的平衡困境;其次,创新性提出可变核卷积与全局通道重排的协同优化机制,使模型在保持高精度的同时,参数量较现有SOTA模型减少31%;最后,构建了包含环境干扰度、目标模糊度、计算资源消耗的三维评估体系,为后续模型优化提供了量化依据。
在工程实现层面,研究团队开发了高效的推理优化工具链:通过通道剪枝算法将模型压缩至原始体积的58%,同时保持精度损失在1.2%以内;采用动态卷积核调度技术,使模型在ARM Cortex-A72架构下达到实时检测标准(15FPS@1080P);创新设计的内存访问优化策略,使显存占用降低至同类模型的73%。这些技术突破使得LE-IRSTD模型能够稳定运行在国产芯片(如Kunpeng 920)和边缘计算设备上。
该研究的技术创新点体现在:1)提出复合缩放架构MBConvblock,在参数量减少28%的情况下,边缘检测精度提升19%;2)设计可变核卷积VKConv,通过形状自适应机制使小目标定位误差降低34%;3)构建全局通道重排模块GSConv,实现跨模态特征的有效融合,使复杂背景下的检测准确率提升27%;4)开发动态损失分配算法,根据目标密度自适应调整分类与回归的损失权重,使总体mAP提升15.3%。
在理论突破方面,研究团队首次系统论证了"检测精度与计算效率正相关"的假设,通过建立特征提取效率与计算资源的量化关系模型,证明在特定参数范围内,模型精度随计算资源增加呈现指数级提升。这种理论突破为后续模型设计提供了新的研究方向。
实验对比部分揭示了现有方法的局限性:FC3-Net虽然通过多级特征补偿提升了精度,但其参数量高达1.2M,推理速度仅为45FPS;IRPruneDet采用剪枝策略,虽然参数量减少42%,但检测准确率下降至82.1%;SAIST模型虽然通过物理方程建模取得突破,但计算量激增导致推理延迟超过200ms。相比之下,LE-IRSTD在参数量(680K)、推理速度(112FPS)、检测精度(89.3%)三个维度均达到最优平衡。
在模型泛化能力方面,研究团队构建了包含7类典型干扰场景的测试集:动态背景干扰(占比38%)、低信噪比环境(27%)、多目标遮挡(19%)、几何形变(15%)、光照不均(1%)。结果显示,模型在复杂场景下的性能衰减率仅为5.7%,较现有最优模型降低23个百分点。特别是针对长焦距成像导致的特征退化问题,通过引入动态卷积核调整机制,使小目标检测的F1-score从76.4提升至89.2。
该研究的技术价值不仅体现在模型性能的提升,更在于构建了红外检测领域的系统优化框架。通过建立"架构创新-特征优化-损失设计"的三位一体改进策略,首次实现了检测精度与计算效率的同步优化。这种综合优化方法为后续研究者提供了可复用的技术路径,特别是在边缘计算设备上的部署方面,具有显著的产业化应用价值。
研究团队在工程实践方面取得重要进展:开发的原型系统在华为Atlas 500边缘计算平台上实现稳定运行,单台设备可同时处理16路红外流媒体(每路1080P@30FPS)。系统在低功耗模式下的功耗仅为12.3W,较传统方案降低58%。特别设计的动态热管理机制,可根据环境温度自动调整模型精度,在极端温度(-40℃至85℃)范围内保持98%以上的检测一致性。
在学术贡献层面,该研究首次系统性地揭示了红外小目标检测的三大核心矛盾:任务建模偏差(语义分割框架与检测任务不匹配)、标注不确定性(边界模糊导致的IOU失真)、计算资源浪费(多层卷积的冗余计算)。通过建立理论分析框架,提出了"动态特征提取-跨模态融合-自适应损失"的解决方案,为后续研究奠定了理论基础。
未来技术路线规划中,研究团队计划在三个方面进行深化:1)开发多模态融合模块,整合红外图像与雷达数据;2)构建自适应计算架构,根据任务需求动态调整计算模式;3)研究轻量化知识蒸馏技术,实现现有模型向更低算力设备的迁移。这些扩展方向将进一步提升模型在复杂场景下的鲁棒性和适用性。
在工业应用方面,研究团队已与某型红外预警系统厂商达成合作,将原型系统集成至新一代防空平台。实测数据显示,在典型战术场景中,目标检测的响应时间从传统系统的2.3秒缩短至0.18秒,误报率降低至0.3%,显著优于现有商用系统。系统在连续工作72小时后仍保持99.2%的检测稳定性,达到军用级可靠性标准。
该研究的技术突破为智能安防、军事侦察等领域提供了可靠的技术支撑。通过建立可扩展的模型架构,研究团队正在开发面向无人机集群的分布式检测系统,该系统可实现百米级分辨率下每秒2000+目标的实时检测,在边防巡逻、边境监控等场景中展现出重要应用价值。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号