MS-YOLO：基于 MobileNetV4 和 SlideLoss 的红外目标检测，适用于边缘部署
计算机视觉与模式识别
2025-09-29 v1
摘要
红外成像已成为在低光和恶劣天气条件下的城市目标检测的稳健解决方案，相较于传统可见光摄像头具有显著优势。然而，类别不平衡、热噪声和计算约束等挑战会显著影响实际场景中的模型性能。为此，我们评估了多个 YOLO 变体在 FLIR ADAS V2 数据集上的表现，最终选定 YOLOv8 作为基线模型，因为其在准确率和效率之间取得平衡。在此基础上，我们提出了 \texttt{MS-YOLO}（基于 MobileNetV4 和 SlideLoss 的 YOLO），取代 YOLOv8 的 CSPDarknet 主干网络，降低计算开销约 \textbf{1.5\%}，同时保持高准确率。此外，我们引入了\emph{SlideLoss}，一种新型损失函数，动态强调 underrepresented（不平衡）和被遮挡样本，提升精度而不牺牲召回率。在 FLIR ADAS V2 基准上的实验表明，\texttt{MS-YOLO} 达到了具竞争力的 mAP 和优越的精度，计算成本仅为 \textbf{6.7 GFLOPs}。这些结果表明，\texttt{MS-YOLO} 有效地解决了在保持高检测质量的同时最小化计算成本的双重挑战，非常适合在城市环境中实现实时边缘部署。
引用
@article{arxiv.2509.21696,
title = {MS-YOLO: Infrared Object Detection for Edge Deployment via MobileNetV4 and SlideLoss},
author = {Jiali Zhang and Thomas S. White and Haoliang Zhang and Wenqing Hu and Donald C. Wunsch and Jian Liu},
journal= {arXiv preprint arXiv:2509.21696},
year = {2025}
}
备注
Accepted by the International Joint Conference on Neural Networks (IJCNN) 2025. Keywords: Infrared Object Detection, MobileNetV4, SlideLoss, YOLO Model