基于改进YOLOv5s轻量化模型的红外场景目标检测方法研究

红外技术在防备夜间作战和隐蔽作战中发挥的作用是至关重要的，针对如何平衡红外图像检测精度与轻量化的问题，提出一种基于红外场景下的轻量化目标检测模型M-YOLOv5。该网络模型采用改进的ShuffleBlock模块替换原有的CSP骨干网络。此外，应用轻量级上采样算子CARAFE替换原有上采样模块，在C3模块中加入SE注意力机制，降低冗余信息，提高特征的区分性和表征能力，重新设计损失函数，E-IoU作为新的损失函数，加快模型收敛速度。在公开数据集FLIR上进行了实验，实验结果表明：改进之后网络模型的平均检测精度达到73.0%,仅降低2.9个百分点，而M-YOLOv5模型的网络参数数量、理论计算量分别减少40%、39%,模型的推理速度提高52%,满足部署于边缘设备的需求。