结合Transformer和动态特征融合的低照度目标检测.pdfVIP

ComputerEngineeringandApplications计算机工程与应用2024，60（9）135

结合Transformer和动态特征融合的低照度目标检测

1，21，21，2

蔡腾，陈慈发，董方敏

1.三峡大学计算机与信息学院，湖北宜昌443002

2.三峡大学湖北省建筑质量检测装备工程技术研究中心，湖北宜昌443002

摘要：针对现有低照度目标检测算法模型参数量与计算量大、检测实时性差、难以应用于移动设备等问题，提出一

种基于YOLOv8的改进轻量模型DarkYOLOv8的低照度目标检测方法。使用MobileNetv2替换YOLOv8的主干网

络，增加模型的特征提取能力；使用Transformer注意力机制，获取图像的全局信息，并且基于目标标记信息作为标签

训练Transformer模块参数，增强目标区域内的权重，从而提高模型在低照度条件下提取目标特征的能力；对颈部网

络使用动态特征融合注意力模块（dynamicfeaturefusionattention，DFFA），动态融合浅层和深层特征，同时使用

YOLOv8X算法+CBAM对DFFA模块中CBAM空间注意力权重进行监督训练。实验结果表明，在ExDark数据集

上，DarkYOLOv8在GFLOPs仅为8.53的情况下mAP50指标达到70.1%，相比YOLOv8n提高了3.9个百分点。

关键词：低照度目标检测；注意力机制；轻量化；Transformer；可变形卷积

文献标志码：A中图分类号：TP391.4doi：10.3778/j.issn.1002-8331.2310-0131

Low-LightObjectDetectionCombiningTransformerandDynamicFeatureFusion

CAITeng1，2,CHENCifa1，2,DONGFangmin1，2

1.CollegeofComputerandInformation,ChinaThreeGorgesUniversity,Yichang,Hubei443002,China

2.HubeiProvinceEngineeringTechnologyResearchCenterforConstructionQualityTestingEquipment,ChinaThree

GorgesUniversity,Yichang,Hubei443002,China

Abstract：Toaddresstheissuesofhighparameterandcomputationalcomplexity,poorreal-timeperformance,andlimited

applicabilitytomobiledevicesinexistinglow-lightobjectdetectionalgorithms,thispaperproposesanimprovedlight-

weightmodelcalledDarkYOLOv8basedonYOLOv8forlow-lightobjectdetection.Firstly,MobileNetv2isreplacedthe

backbonenetworkofYOLOv8toenhancethefeatureextractioncapabilitiesofthemodel.Secondly,theTransformer

attentionmechanismisutilizedtocaptureglobalinformationfromtheimagesandtheTransformermoduleparametersare

trainedbasedontargetannotationinformationaslabelstoenhancetheweightswithinthetargetregions,therebyimpro