TY-RIST：用于实时红外小目标检测的战术性YOLO技巧
计算机视觉与模式识别
2025-09-30 v1 人工智能
机器学习
摘要
红外小目标检测（IRSTD）对于国防和监视至关重要，但由于（1）极小特征导致的目标丢失、（2）杂乱环境中的虚警、（3）低显著性导致的漏检以及（4）高计算成本，仍然充满挑战。为解决这些问题，我们提出了TY-RIST，这是一个优化的YOLOv12n架构，它集成了（1）具有细粒度感受野的步长感知骨干网络、（2）高分辨率检测头、（3）级联坐标注意力块，以及（4）一种分支剪枝策略，该策略在略微提高精度的同时将计算成本降低了约25.5%，并实现了实时推理。我们还引入了归一化高斯Wasserstein距离（NWD）以增强回归稳定性。在四个基准数据集和20个不同模型上的大量实验证明了其最先进的性能，在0.5 IoU下的mAP提升了+7.9%，精确率提升了+3%，召回率提升了+10.2%，同时在单个GPU上实现了高达123 FPS的速度。在第五个数据集上的跨数据集验证进一步证实了其强大的泛化能力。更多结果和资源可在https://www.github.com/moured/TY-RIST获取。
引用
@article{arxiv.2509.22909,
title = {TY-RIST: Tactical YOLO Tricks for Real-time Infrared Small Target Detection},
author = {Abdulkarim Atrash and Omar Moured and Yufan Chen and Jiaming Zhang and Seyda Ertekin and Omur Ugur},
journal= {arXiv preprint arXiv:2509.22909},
year = {2025}
}
备注
Acctepted at the ICCV 2025 MIRA workshop, 11 pages, 7 figures