В связи с проблемой малой доли пикселей слабых целей на инфракрасных изображениях в сложных условиях, а также неявности деталей признаков, что затрудняет извлечение признаков цели и снижает точность обнаружения, предложен метод обнаружения слабых целей на инфракрасных изображениях в сложном фоне на основе механизма внимания. Метод основывается на сети YOLOv5, разработан модуль внимания SimAMC3 для оптимизации слоев извлечения признаков сети; разработана голова для обнаружения целей, изменяющая глубину начала извлечения признаков за счет добавления слоя слияния признаков, что создает новый слой для обнаружения слабых целей и позволяет более эффективно сохранить пространственную информацию о слабых целях в поверхностных слоях признаков; улучшен способ фильтрации предсказаний, повышающий точность обнаружения близко расположенных или перекрывающихся целей. Для экспериментов были выбраны два набора данных инфракрасных изображений слабых целей SIRST, на которых проведены разметка и обучение. Результаты показывают, что улучшенный алгоритм по сравнению с оригинальным YOLOv5 увеличил среднее значение точности (mAP) на 4.8% и 7.1%, эффективно обнаруживает слабые инфракрасные цели в различных сложных фонах, демонстрируя хорошую устойчивость и адаптивность, и может быть эффективно применен для обнаружения слабых инфракрасных целей в сложных условиях.

глубокое обучение; слабые инфракрасные цели; обнаружение целей; механизм внимания