结合Transformer和动态特征融合的低照度目标检测

作者：蔡腾; 陈慈发; 董方敏

来源：计算机工程与应用, 2024, 60(09): 135-141.

DOI：10.3778/j.issn.1002-8331.2310-0131

• 低照度目标检测
• 注意力机制
• 轻量化
• Transformer
• 可变形卷积

针对现有低照度目标检测算法模型参数量与计算量大、检测实时性差、难以应用于移动设备等问题，提出一种基于YOLOv8的改进轻量模型DarkYOLOv8的低照度目标检测方法。使用MobileNet v2替换YOLOv8的主干网络，增加模型的特征提取能力；使用Transformer注意力机制，获取图像的全局信息，并且基于目标标记信息作为标签训练Transformer模块参数，增强目标区域内的权重，从而提高模型在低照度条件下提取目标特征的能力；对颈部网络使用动态特征融合注意力模块（dynamic feature fusion attention,DFFA），动态融合浅层和深层特征，同时使用YOLOv8X算法+CBAM对DFFA模块中CBAM空间注意力权重进行监督训练。实验结果表明，在ExDark数据集上，DarkYOLOv8在GFLOPs仅为8.53的情况下mAP50指标达到70.1%，相比YOLOv8n提高了3.9个百分点。

• 单位
  三峡大学