YOLO-MST：基于超分辨率和YOLO的红外小目标检测的多尺度深度学习方法
计算机视觉与模式识别
2025-09-30 v1
摘要
随着航空航天技术的发展以及军事应用需求的日益增长，开发低误报率和高精度的红外小目标检测算法已成为全球研究的关键焦点。然而，传统的模型驱动方法在处理噪声、目标尺寸和对比度等特征时鲁棒性不足。现有的深度学习方法在提取和融合关键特征方面能力有限，难以在复杂背景或目标特征不明显时实现高精度检测。为解决这些问题，本文提出一种结合图像超分辨率技术和多尺度观测的深度学习红外小目标检测方法。首先，对输入红外图像进行超分辨率预处理并进行多次数据增强。其次，基于YOLOv5模型，提出一种新型深度学习网络YOLO-MST。该网络包括：以替换主干网络中的SPPF模块为自设计的MSFA模块、优化颈部结构，并在预测头中添加多尺度动态检测头。通过动态融合不同尺度的特征，检测头能够更好地适应复杂场景。该方法在两个公开数据集SIRST和IRIS上的[email protected]检测率分别达到96.4%和99.5%，更有效地解决了漏检、误报和低精度等问题。
引用
@article{arxiv.2412.19878,
title = {YOLO-MST: Multiscale deep learning method for infrared small target detection based on super-resolution and YOLO},
author = {Taoran Yue and Xiaojin Lu and Jiaxi Cai and Yuanping Chen and Shibing Chu},
journal= {arXiv preprint arXiv:2412.19878},
year = {2025}
}