基于小波变换与协同注意力的道路场景下红外目标检测

摘要

针对红外热成像目标普遍存在信噪比低、对比度弱，导致目标检测易出现漏检且精度受限等问题，构建了一种融合小波变换与协同注意力的检测模型HW-YOLO。在骨干网络上，采用小波卷积（WTConv）结合C3k2模块，在扩大感受野的同时保留高分辨率特征细节；在颈部网络上，引入Haar小波下采样（HWD）以遏制高频分量衰减，从而提升纹理表征能力。在特征融合环节，通过嵌入空间和通道协同注意力（SCSA）机制，利用多维特征的耦合机制自适应地平衡全局语义与局部细节。此外，模型选用ShapeIoU损失函数修正边界框回归过程，以应对类别不平衡引发的定位漂移。实验结果显示，较YOLOv11n,HW-YOLO的平均精度、精确度和召回率分别提升了3.5%、5.0%和3.4%，达到82.8%、89.9%和76.3%，改进模型参数量仅为2.65 M，检测速度达53帧/s，证实了该方案在复杂红外场景下的有效性与实时性。

关键词

红外目标检测 / YOLOv11 / 多尺度 / 小波卷积 / ShapeIoU