基于可见光与红外图像的弱光条件下目标检测OA北大核心CSTPCD

图像融合是将多个输入图像合并成一个单一图像的技术。可见光红外图像融合能提高目标检测的准确性,但在低光照场景下往往效果不佳。基于此,提出一种新的融合模型DAPR-Net。该模型具有跨层残差连接的编解码结构,将编码器的输出与解码器的对应层的输入相连接,加强各层卷积层间的信息传递。在编码器中设计了双注意力特征提取模块AFEM,使得网络能够更好地区分融合图像与输入的可见光和红外图像之间的差异,同时保留两者的关键信息。在多个公开数据集上与6种先进方法进行对比,实验结果表明,与基准PIAFusion模型相比,该模型在LLVIP和MSRS数据集上的信息熵、空间频率、平均梯度、标准差、视觉保真度指标分别提高了0.849、3.252、7.634、10.38、0.293和2.105、2.23、4.099、27.938、0.343;在YOLOV5目标检测网络上,LLVIP和MSRS数据集的平均精度均值、召回率、精确率、F1值指标分别提高了8.8、1.4、1.9、1.5个百分点和7.5、1.4、8.8、1.2个百分点,相较于其他融合方法表现出更显著的优势。