点击蓝字关注我们关注并星标从此不迷路计算机视觉研究院公众号ID计算机视觉研究院学习群扫码在主页获取加入方式https://pmc.ncbi.nlm.nih.gov/articles/PMC12293038/pdf/biomimetics-10-00451.pdf计算机视觉研究院专栏Column of Computer Vision Institute在无人机巡检、安防监控、军事预警等场景中红外小目标检测因目标像素少、纹理缺失、易被背景噪声淹没一直是技术难题。近日山东理工大学团队提出YOLO‑HVS 算法基于 YOLOv8 融合人类视觉系统HVS特性在复杂遮挡、低信噪比下实现高精度、轻量化实时检测。PART/1痛点核心痛点红外小目标检测的两大难题背景干扰强植被、阴影、热噪声易造成误检小目标被遮挡后特征丢失。多尺度提取难无人机飞行高度变化目标尺寸跨度大常规模型难以兼顾。现有算法要么精度不足要么参数量大、速度慢无法满足实时部署需求。PART/2方案创新方案两大核心模块精准攻克难题团队以 YOLOv8 为基线打造YOLO‑HVS架构核心升级两大模块1. MultiSEAM 多尺度空间增强注意力模块采用三分支并行patch6/7/8兼顾局部细节与全局上下文。深度可分离卷积提取空间特征逐点卷积融合通道信息。抑制背景噪声、增强被遮挡目标特征解决遮挡导致的漏检问题。MultiSEAM 结构示意图2. C2f_DWR 区域语义双残差模块替换 YOLOv8 原 C2f 模块用膨胀卷积 双阶段残差区域残差→语义残差。扩大感受野高效捕获多尺度上下文降低计算量、提升检测效率。DWR 模块网络结构PART/3数据集数据集自建更贴合真实场景为验证泛化性团队构建DroneRoadVehicles 红外数据集1028 张红外图像拍摄高度 70–300m覆盖大 / 中 / 小多尺度目标。包含高速、停车场、十字路口等复杂场景昼夜、晴雾天气全覆盖。多场景示例不同高度对比目标类别PART/4实验结果实验结果精度提升、轻量高效团队在公开数据集DroneVehicle与自建数据集上全面测试1. 关键指标对比 YOLOv8DroneVehiclemAP50 达 83.4%提升 1.1%参数量仅增 2.3MGFLOPs 仅增 0.1G。自建数据集mAP50 达 97.8%提升 0.7%遮挡与低信噪比场景优势显著。DroneVehicle 对比结果自建数据集对比结果2. 消融实验验证MultiSEAM提升抗遮挡能力mAP500.4%。C2f_DWR优化多尺度提取降低计算量 3.7%。组合使用精度与效率双优。消融实验结果3. 可视化对比小目标 强噪声场景YOLOv8 漏检YOLO‑HVS 精准检出。常规目标检测置信度显著更高输出更可靠。检测效果对比图PART/5总结YOLO‑HVS 以人类视觉机制为灵感通过 MultiSEAM 与 C2f_DWR 双模块升级在红外小目标、复杂遮挡、多尺度变化三大难点上实现突破同时保持轻量化与实时性。未来团队将进一步研究动态感受野调整适配极端尺度变化场景为无人机红外监控、安防预警等落地提供更强技术支撑。有相关需求的你可以联系我们END转载请联系本公众号获得授权计算机视觉研究院学习群等你加入ABOUT计算机视觉研究院计算机视觉研究院主要涉及深度学习领域主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架提供论文一键下载并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程让大家真正体会摆脱理论的真实场景培养爱动手编程爱动脑思考的习惯往期推荐YOLO-TLA一种基于 YOLOv5 的高效轻量级小目标检测模型ViT-YOLO基于Transformer的用于目标检测的YOLO算法SSMA-YOLO一种轻量级的 YOLO 模型具备增强的特征提取与融合能力适用于无人机航拍的船舶图像检测LUD-YOLO一种用于无人机的新型轻量级目标检测网络Gold-YOLO基于聚合与分配机制的高效目标检测器Drone-YOLO一种有效的无人机图像目标检测「无人机AI」“空中城管”无人机AI光伏巡检自动化解决方案无人机视角下多类别船舶检测及数量统计机场项目解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题2PCNet昼夜无监督域自适应目标检测附原代码YOLO-S小目标检测的轻量级、精确的类YOLO网络大改Yolo框架 | 能源消耗极低的目标检测新框架附论文下载改进的检测算法用于高分辨率光学遥感图像目标检测