YOLOv11-IR-TSD：一种面向红外目标检测的自适应检测器

《Scientific Reports》：Infrared intensity-aware feature learning for robust target detection in infrared images

　　

摘要

红外目标检测面临诸多挑战，包括强烈的背景噪声、微弱的前后景强度对比、模糊的目标边界以及有限的目标像素数。受红外检测场景中这些挑战的启发，本文提出了YOLOv11-IR-TSD，一种红外自适应检测器，旨在提升特征表示能力与定位精度。在骨干网络中，引入轻量级DnCNN-Lite模块以抑制红外成像噪声，并用红外强度感知的空间金字塔池化-快速（IIA-SPPF）模块替代原有的空间金字塔池化结构，以增强多尺度特征表示。在颈部结构中，采用DINOv2辅助的自监督对比引导机制以及红外强度梯度加权融合策略，以提升复杂背景下的特征判别能力。此外，在检测头中集成了特征对齐约束、红外强度自适应激活函数以及轻量级边界框细化模块，以提高跨阶段特征一致性和定位精度。在公开的FLIR和LLVIP红外检测基准数据集上的实验表明，YOLOv11-IR-TSD的mAP@0.5分别达到91.0%和89.5%，同时保持64和62 FPS的推理速度。与现有红外检测方法相比，所提出的检测器在保持高效推理的同时提升了检测精度，并在噪声干扰、弱强度对比和复杂背景条件下展现出更强的鲁棒性。在不同目标尺度和对比条件下的额外分析进一步表明，所提出的特征学习策略对挑战性红外场景的有效性。未来需要针对专用真实红外绝缘子数据集进行进一步评估，以验证其在异常发热检测中的适用性。