显著性引导的SG-DETR低光目标检测

摘要

针对低光图像目标检测中边缘模糊、遮挡及尺度差异等问题，提出一种基于视觉显著性引导的目标检测方法RT-DETR的改进模型。首先，利用深度学习模型生成的显著性图做输入级增强，突出目标特征与边缘信息，减少冗余候选框数量。其次，设计门控调制模块，将基于显著性图的注意力权重融入到RT-DETR模型的特征图中，确保注意力权重与真实目标区域的精准匹配，以此实现特征级的融合，减少噪声干扰。最后，在损失级利用显著性驱动的动态重加权机制，使训练过程中更关注显著区域的目标，提升模型收敛速度与稳定性。通过自建复杂目标数据集LlSOD的测试结果显示，改进模型mAP@0.5和mAP@0.5∶0.95达到81.4%和60.3%,较原RT-DETR模型提升4.2%和1.9%,可有效应用于低光场景目标检测任务。

关键词

显著性引导 / 低光图像 / RT-DETR算法 / 注意力机制

基金资助

国家重点研发计划课题(2022YFC3302502)