基于CDD-YOLO的轻量级低光照目标检测算法

TP391.4; 针对低照度场景下目标检测算法面临的检测精度不高、计算成本以及内存消耗大等问题,提出一种改进YOLOv8的轻量级低光照目标检测网络模型CDD-YOLO.提出一个基于坐标注意力机制的多尺度卷积模块,提取不同感受野纹理特征并捕获空间位置之间的远程依赖关系;将动态头部框架集成到检测头中,减少复杂背景和尺度变化的干扰;基于动态非单调聚焦机制设计边界框回归损失函数,提升锚框回归路径和质量,提高模型对光照变化和噪声的适应能力;通过剪枝算法修剪模型中的冗余参数,实现模型轻量化.采用自建数据集、ExDark和VOC数据集进行实验验证,实验结果表明该方法与主流算法相比具有更好的检测效果,在计算复...

Full description

Saved in:
Bibliographic Details
Published in计算机工程与应用 Vol. 61; no. 6; pp. 106 - 117
Main Authors 史丽晨, 杨超, 刘雪超, 周星宇
Format Journal Article
LanguageChinese
Published 西安建筑科技大学 机电工程学院,西安 710055 15.03.2025
Subjects
损失函数
注意力机制
loss function
attention mechanism
YOLOv8
low-light
低照度
轻量化网络
lightweight network
Online AccessGet full text

Cover

More Information
Summary:TP391.4; 针对低照度场景下目标检测算法面临的检测精度不高、计算成本以及内存消耗大等问题,提出一种改进YOLOv8的轻量级低光照目标检测网络模型CDD-YOLO.提出一个基于坐标注意力机制的多尺度卷积模块,提取不同感受野纹理特征并捕获空间位置之间的远程依赖关系;将动态头部框架集成到检测头中,减少复杂背景和尺度变化的干扰;基于动态非单调聚焦机制设计边界框回归损失函数,提升锚框回归路径和质量,提高模型对光照变化和噪声的适应能力;通过剪枝算法修剪模型中的冗余参数,实现模型轻量化.采用自建数据集、ExDark和VOC数据集进行实验验证,实验结果表明该方法与主流算法相比具有更好的检测效果,在计算复杂度与检测精度之间实现了更好的平衡.
ISSN:1002-8331
DOI:10.3778/j.issn.1002-8331.2410-0127