Infra-YOLO：高效神经网络结构与模型压缩用于实时红外小物体检测
内容提要
本文介绍了多种针对无人机和红外小目标检测的先进算法，如YOLO-Drone、YOLO-MS和YOLOv7。这些算法在不同数据集上表现优异，尤其在夜间和复杂背景下的检测能力显著提升，展示了深度学习在目标检测领域的应用潜力。
延伸解读
红外小目标检测的技术演进
文章梳理了从2023年到2024年红外小目标检测的多个进展，包括YOLO-Drone、YOLO-MS、YOLO-TLA、Mamba-in-Mamba、HCF-Net、DASSF和SSHD-Net等。这些工作分别从多尺度特征、模型压缩、注意力融合和单点监督等角度提升性能，反映了该领域在实时性和准确性上的持续优化。
夜间与复杂背景下的检测突破
YOLO-Drone在夜间自制数据集和硅基金光LED下表现优于普通光源，YOLOv7在无人机热红外图像中的人体交叉检测表现突出。这表明针对红外和低光照条件的设计能有效提升检测鲁棒性，为夜间监控和搜救等应用提供了参考。
效率与精度的平衡策略
YOLO-TLA通过额外检测层和C3CrossCovn模块减少计算需求，Mamba-in-Mamba推理速度比SOTA快10倍且GPU内存减少73.4%，DASSF在YOLOv8上分别提升9.2%和2.4%的mAP。这些方法在保持实时性的同时提升小目标检测精度，适合资源受限的无人机平台。
标注挑战与单点监督方案
SSHD-Net针对红外小目标标注困难的问题，采用单点监督和高分辨率动态网络，在复杂背景下实现强抗干扰能力。这降低了标注成本，为数据稀缺场景提供了可行方案，但文章未提及其在极端天气或运动模糊下的表现，实际部署需进一步验证。
Q&A
YOLO-Drone算法的主要优势是什么？
YOLO-Drone在UAVDT和VisDrone数据集上表现优于现有方法，特别适用于夜间检测任务。
YOLO-MS如何增强多尺度特征表示？
YOLO-MS通过研究不同核大小的卷积对多尺度物体检测的影响，显著增强了实时目标检测器的多尺度特征表示。
HCF-Net在红外小目标检测中有什么贡献？
HCF-Net通过多个实用模块显著提高了红外小目标检测性能。
Mamba-in-Mamba结构的优势是什么？
Mamba-in-Mamba结构结合卷积网络与Transformer，显著提高了红外小目标检测的准确性和效率，推理速度比现有方法快10倍。
动态注意力尺度序列融合算法(DASSF)的效果如何？
DASSF显著提高了YOLO算法在小目标检测中的能力，实验结果显示在VisDrone-2019和DIOR数据集上平均精度提高了9.2%和2.4%。
SSHD-Net解决了哪些问题？
SSHD-Net解决了红外小目标检测中的标注信息获取困难和信息丢失问题，显著提高了检测准确性。
