摘要
红外目标检测支持在航空和固定视角成像环境中持续观测交通参与者及低空目标，尤其是在光照条件较弱或变化的情况下。然而，红外目标通常体积较小、纹理不明显，容易被热噪声和背景杂乱所干扰。大型预训练视觉模型具有强大的表示能力和泛化能力，但它们的参数数量较多且计算成本较高，因此直接应用于资源有限的边缘平台并不现实。为了将这些能力转移到轻量级模型中，本文提出了一种基于过滤后的教师模型检测结果在标签层进行知识蒸馏的方法。首先，一个针对红外领域进行优化的大型教师模型生成候选目标框；然后通过置信度阈值、类别可靠性以及与真实标注的空间关系来筛选候选目标框。保留下来的教师模型目标框和原始标注共同构成了学生模型的训练数据，而学生模型则保留其标准的检测损失和推理结构。在独立的序列级测试集上，YOLOv5n基线的mAP@0.5值为0.2277，mAP@0.5:0.95值为0.1070；而采用过滤标签蒸馏方法后，这三组数据对应的mAP@0.5值分别为0.2547和0.1153。在评估之前，过滤规则和阈值是固定的，并且每次运行都使用相同的Epoch-30检查点。这两种学生模型架构均部署在RK3588硬件平台上。
