2025红外弱小目标识别SOTA算法实战：从模型选型到部署优化

1次阅读

共计 1972 个字符，预计需要花费 5 分钟才能阅读完成。

红外弱小目标识别在军事侦察（无人机监测）、安防监控（夜间入侵检测）等场景有不可替代的价值。但实际应用中面临两大核心挑战：

低信噪比：目标可能只有 3×3 像素，淹没在复杂背景噪声中（如热源干扰、云层反射）
高动态范围：同一场景同时存在高温（车辆引擎）和低温（人体）区域，传统阈值分割方法误检率达 40%+

算法名称	mAP@0.5 (FLIR)	FPS (RTX3090)	参数量(M)	适用场景
YOLOv7-Infrared	94.7%	83	36.5	实时性要求高的移动端
SwinIR-Tiny	95.2%	52	28.1	算力充足的边缘服务器
NanoDet-Heat	93.8%	121	4.3	超低功耗嵌入式设备

注：测试环境为 FLIR ADAS v2 数据集，输入分辨率 640×512

核心思想是在 Backbone 末端增加轻量级 CA 模块（Channel Attention），通过通道权重动态增强目标特征。相比传统 SE 模块，我们的改进包括：

采用 1D 卷积替代全连接层，减少 50% 计算量
引入温度系数调节注意力分布的陡峭程度

class ChannelAttention(nn.Module):
    def __init__(self, channels, reduction=16):
        super().__init__()
        # 使用 1D 卷积替代 FC 层
        self.conv = nn.Conv1d(channels, channels//reduction, kernel_size=3, padding=1)
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        # 全局平均池化获取通道统计量
        gap = torch.mean(x, dim=[2,3], keepdim=True)  # [B,C,1,1]
        gap = gap.squeeze(-1)  # [B,C,1]

        # 计算注意力权重
        weights = self.conv(gap)  # [B,C//reduction,1]
        weights = self.sigmoid(weights)

        # 残差连接保持原始信息
        return x * weights.unsqueeze(-1)  # 广播回[B,C,H,W]

针对不同距离的目标，采用渐进式融合方式：

高层特征（32×下采样）：负责大尺度目标检测
中层特征（16×下采样）：主检测层，融合高低层特征
底层特征（8×下采样）：增强小目标敏感度

融合时采用加权求和而非简单拼接，权重通过小型网络动态生成：

$$F_{out} = \alpha \cdot F_{high} + \beta \cdot F_{mid} + \gamma \cdot F_{low}$$

导出 ONNX 模型时需固定动态轴：

torch.onnx.export(model, 
                dummy_input, 
                "model.onnx", 
                input_names=["images"],
                output_names=["output"],
                dynamic_axes={"images": {0: "batch"}, "output": {0: "batch"}})

FP16 量化命令（速度提升 2 倍）：

trtexec --onnx=model.onnx --saveEngine=model_fp16.trt --fp16

INT8 量化需准备校准数据集：

from torch2trt import torch2trt
calibrator = DatasetCalibrator(dataloader)
model_trt = torch2trt(model, [dummy_input], int8_mode=True, calibrator=calibrator)