来源：市场资讯
（来源：计算机视觉研究院）
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
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（patch=6/7/8），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。
打开网易新闻 查看精彩图片
2. C2f_DWR 区域语义双残差模块
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 打开网易新闻 查看精彩图片不同高度对比 打开网易新闻 查看精彩图片目标类别 打开网易新闻 查看精彩图片
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 YOLOv8）
DroneVehicle：mAP50 达 83.4%，提升 1.1%；参数量仅增 2.3M，GFLOPs 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。
打开网易新闻 查看精彩图片DroneVehicle 对比结果
打开网易新闻 查看精彩图片自建数据集对比结果
2. 消融实验验证
MultiSEAM：提升抗遮挡能力，mAP50+0.4%。
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！
热门跟贴