DGL-RTDETR：基于动态稀疏全局交互与轻量级特征融合的高效弱小空中红外目标检测

《Infrared Physics & Technology》：DGL-RTDETR: Efficient detection of small and weak aerial infrared targets based on dynamic sparse global interaction and lightweight feature fusion

　　

摘要
小目标尺度、强背景干扰以及严格的轻量化部署需求是机载红外目标检测中普遍面临的挑战。尽管许多现有方法可以提高检测性能，但它们往往引入相当大的计算开销，从而限制了其在机载平台上的实时应用。为了解决这些问题，本研究提出了DGL-RTDETR——一种基于轻量化特征融合与动态稀疏全局交互的机载红外目标检测方法。首先，提出了一种基于轻量级CSP的增强上下文块，称为CLEC。它用由两个条状膨胀卷积核和小卷积组成的稀疏分解策略替代直接的大核卷积，通过引入跨阶段部分原则进行轻量分支处理，在更低的计算成本下扩大感受野并增强多尺度上下文特征提取。其次，提出了一种部分通道动态稀疏全局交互模块，称为PSHI-SDGO，并将其引入高效混合编码器中，以协同控制全局交互的通道范围和空间关系密度。最后，开发了一种单阶段小波引导的轻量级颈部网络，称为WF-SlimNeck，将小波域跨尺度融合与轻量特征细化相结合。最终配置仅在一个选定的融合阶段进行小波处理，以保留高频目标细节，同时限制重复小波处理带来的额外开销。在HIT-UAV数据集上的实验表明，DGL-RTDETR达到了90.43%的精确率和81.69%的mAP50，分别比RT-DETR-R18高出6.16和2.42个百分点。同时，参数量减少了16.73%，推理速度从120.20 FPS略微降至116.77 FPS。这些结果表明，DGL-RTDETR在小目标主导场景的检测精度、虚警抑制以及轻量实时推理之间提供了有利的权衡，适用于机载红外检测。

引言
机载红外目标检测是低空安防、智能巡检和无人机观测的重要技术。与可见光成像相比，红外成像能够更好地适应低光照、雾霾和夜间等困难条件下的真实检测场景，因为它能够捕获目标的热辐射。然而，机载红外目标检测仍面临若干挑战，包括低信噪比、快速目标运动和较小的目标尺寸[1]。在复杂的大规模背景中，云层、物体边缘和太阳反射很容易遮挡小而弱小的目标。此外，实际目标通常仅占几个像素，这增加了推理过程中漏检的风险[2]、[3]。因此，空间语义表示不足、复杂背景干扰的抑制，以及在有限计算资源下实现高精度、鲁棒性和实时性的需求，仍然是主要挑战。从实际应用和社会安全角度来看，开发一种轻量级且有效的机载红外小目标检测方法具有重要意义[4]、[5]。

随着深度学习的广泛应用，轻量化网络设计已成为提高模型推理效率的关键策略。对于机载红外小目标检测，模型必须处理大规模图像输入，同时提取细粒度的目标特征，这就要求兼具高检测精度和计算效率。因此，轻量化特征提取对于减少计算冗余和实现高效部署至关重要。

当前的轻量化特征提取方法主要采用深度可分离卷积、GhostConv和RepConv等结构来降低计算成本和模型参数量。MobileNet[6]通过深度可分离卷积大幅降低了计算开销，使移动设备上的高效推理成为可能。GhostNet[7]通过生成轻量级特征图进一步降低计算成本，而RepConv通过重参数化卷积提高推理效率[8]，在保持强大特征表示能力的同时降低计算复杂度。这些方法有效地减小了模型体积并加速了推理。然而，机载红外中小而弱小的目标通常仅占几个像素，极易受到特征压缩的影响。传统的轻量化方法通常通过缩小卷积核尺寸或简化卷积过程来最小化计算量。尽管这些方案降低了处理成本，但可能会牺牲目标特定细节。为了解决这一限制，需要在保持计算简单的同时，拓宽有效感受野并提高模型捕获多尺度语义信息和长程上下文依赖的能力。这样，轻量化特征提取可以在不过度压缩目标细节的情况下最小化计算成本，同时保持小目标准确的边界和位置表示，从而提升目标检测精度和鲁棒性。

在复杂背景干扰下，小目标的模糊定位和混乱的上下文关系是机载红外小目标检测中的常见问题。特征交互有助于建模目标与背景之间的长程依赖关系，抑制背景干扰，并提高小目标的定位精度。大多数现有特征交互方法主要依赖全局自注意力机制。通过执行密集的全局交互，这些方法能够捕获跨图像的长程依赖关系，从而增强目标的上下文表示，减少背景干扰，并提高小目标定位精度。DETR[9]已成功应用于目标检测，并使用Transformer在整个图像上进行全局建模。尽管基于全局自注意力的密集交互擅长捕获长程交互，但它会产生显著的计算冗余。在复杂背景或低信噪比条件下，背景干扰可能会破坏目标特征提取，而全局交互的高计算成本使其无法满足实时性要求[10]、[11]、[12]。此外，传统自注意力算法在全局建模过程中引入了大量低效计算，这可能进一步损害推理性能，尤其是在复杂背景下。因此，在保持全局建模能力的同时减少计算冗余并将信息流集中在相关区域上，仍然是一个主要问题。在这种情况下，稀疏特征交互对于红外微小目标检测中的全局上下文建模是必要的。通过减少不相关背景区域对特征表示的影响，稀疏交互使模型能够在保持全局信息感知的同时，更高效地利用关于小目标的判别信息。因此，模型能够在复杂背景和低信噪比条件下产生更一致的目标响应，从而提高目标-背景的可区分性。

由于小而弱小的目标往往在不同尺度上表现出各种特征，多尺度特征融合对于机载红外小目标识别至关重要。因此，提高对小目标的检测能力并成功整合多尺度特征信息是提高检测精度的关键。然而，当前的多尺度融合技术有时依赖于复杂的特征拼接或多个卷积过程，这可能导致计算冗余和信息丢失。为了增强跨尺度的信息流，FPN[13]使用横向连接和自上而下的方法构建多尺度特征金字塔。此外，PANet[14]通过引入自底向上的路径增强，缩短了从浅层定位特征到高层语义特征的信息传播通道。虽然NAS-FPN[15]使用神经架构搜索自动发现跨尺度连接模式，EfficientDet中的BiFPN[16]使用加权双向特征融合来提高多尺度融合的效率和表示能力。然而，当前的融合技术往往未能充分利用浅层细节特征。因此，在深层语义信息和浅层空间特征之间取得平衡仍然具有挑战性，导致在融合过程中小目标的定位和边界信息被削弱或丢失。此外，许多现有融合结构依赖重复的卷积操作或特征拼接，这增加了计算冗余并降低了效率。因此，仍然需要开发一种更有效的特征融合策略，能够在高频细节信息和低频语义信息之间取得平衡。对于红外小而弱小目标检测，目标是在提高浅层细节特征与深层语义特征之间信息传递的同时，以更低的计算成本提供足够的多尺度表示能力。这样的策略可以减少特征融合过程中的细节丢失和不必要计算，同时更好地保留小目标的边缘、位置和上下文信息。

在机载红外成像中，目标可能仅占几个像素，并容易被复杂的热杂波、传感器噪声和背景干扰所遮挡。因此，一个有效的检测器不仅应该提高检测精度，还应抑制虚警，保持定位稳定性，并满足机载平台的实时计算约束。

本研究在HIT-UAV数据集上比较了主流检测方法，然后在另一个数据集上考察了所提方法的泛化能力。实验结果表明，DGL-RTDETR在检测精度、模型复杂度和推理效率之间取得了适当的平衡。所提出的模型专为具有小目标、弱目标响应、复杂背景和实时推理需求的机载红外检测场景而设计。机载红外检测的实际挑战在于三个相互耦合的需求：小目标需要保留精细的空间细节，复杂的热背景需要有选择地进行长程目标-背景交互，而机载部署对模型大小和推理开销提出了严格限制。仅提高一个方面可能会降低其他方面的性能。因此，DGL-RTDETR采用了协同设计：CLEC补偿轻量级骨干网络中的上下文信息损失，PSHI-SDGO协同控制全局交互的通道范围和空间关系密度，WF-SlimNeck在跨尺度融合过程中保留高频信息并限制小波处理开销。本研究的主要贡献总结如下：

1. 提出了一种轻量化特征提取模块，称为CLEC，用于RT-DETR-R18骨干网络。CLEC结合了部分分支特征处理和分解的条状大核交互。仅有一个特征分支经历上下文变换，其余信息通过轻量路径保留。这种设计在可控的计算开销下扩大了有效感受野，并增强了长程上下文和多尺度语义表示。最终模型保留一个CLEC插入阶段以平衡上下文表示和骨干网络效率。

2. 为混合编码器构建了一种高效的稀疏全局特征交互机制，称为PSHI-SDGO。PSHI将单头空间交互限制在部分通道分支上，而SDGO根据完整输入特征自适应地确定要保留的空间关系数量。与对完整投影特征表示执行全局交互的传统密集自注意力不同，PSHI-SDGO协同控制参与交互的通道范围和空间关系密度。这种设计实现了选择性的全局上下文交互，同时限制了冗余的注意力计算。

3. 开发了一种高效的多尺度融合机制，称为WF-SlimNeck，用于跨尺度特征融合。它将WFU[17]的小波引导特征交互引入混合编码器，并融合了SlimNeck[18]中GSConv的轻量特征细化原则。最终配置不在多个特征层级上重复应用小波处理，而是保留一个小波域融合单元并与轻量细化相结合。这种设计旨在保留高频目标细节，同时限制频域处理引入的额外计算开销。

相关工作
机载红外目标检测是智能感知和红外图像处理中的一个重要课题。红外图像通常具有弱目标纹理、复杂背景和极小的目标尺度等特点。早期研究主要依赖传统图像处理方法进行背景抑制和小目标增强，包括基于人视觉系统的显著性检测、形态学滤波、背景预测和局部对比度增强。

DGL-RTDETR模型架构
为了克服机载红外目标识别中的困难，包括目标尺寸微小、背景干扰严重、边缘特征差以及高实时性要求，本研究提出了一种基于RT-DETR[29]框架的新型DGL-RTDETR模型架构。模型的三个主要组件——骨干特征提取网络（Backbone）、高效混合编码器（Hybrid Encoder）以及带有辅助预测头的解码器（Decoder）——采用端到端的方式。

训练实验平台
实验基于Ubuntu 20.04和Python 3.10.14进行。训练批大小设为4，训练轮数设为150，图像尺寸设为640×640。测试集推理和检测性能评估使用相同的批大小4。对于FPS测量，批大小设为1。其他相关配置见表1和表2。

数据集
本研究使用HIT-UAV[55]数据集来验证所提出模型的改进效果。

结论
本文提出了DGL-RTDETR，一种基于RT-DETR[29]的轻量化机载红外小目标检测模型。CLEC旨在以较低的计算成本扩大感受野并增强多尺度上下文表示。PSHI-SDGO通过对关键通道特征执行稀疏交互并动态选择重要的长程依赖关系，减少了冗余的全局交互。WF-SlimNeck通过结合小波引导的细节保留，进一步改善了多尺度特征融合。

CRediT作者贡献声明
徐少军：撰写——初稿、方法论、调查研究、概念化。万淑珍：撰写——审阅与编辑、监督、项目管理、调查研究、概念化。柯睿：形式分析、数据管理。刘小清：软件、方法论。于博文：调查研究。

林一雯：验证，调查。
未引用参考文献 [64], [65]
利益冲突声明
作者声明他们不存在任何已知的可能影响本文报告工作的竞争性财务利益或个人关系。
致谢
本工作部分得到中国国家自然科学基金资助（项目编号：41901341）。
徐少军 | 万淑珍 | 柯锐 | 刘晓青 | 于博文 | 林一雯
中国三峡大学水电工程智能视觉监测湖北省重点实验室，湖北 443002，中国