基于DCS-YOLOv8模型的红外图像目标检测方法

针对低信噪比与复杂任务场景下，YOLOv8模型对红外遮挡目标和弱小目标检测能力不足的问题，提出了改进的DCS-YOLOv8模型（DCN＿C2f-CA-SIoU-YOLOv8）的目标检测方法。以YOLOv8框架为基础，主干网络构建了基于可变形卷积的轻量级DCN＿C2f(Deformable Convolution Network)模块，自适应调整网络的视觉感受野，提高目标多尺度特征表示能力。特征融合网络引入基于坐标注意力机制CA(Coordinate Attention)的模块，通过捕捉多目标空间位置依赖关系，提高目标的定位准确性。改进基于SIoU(Scylla IoU)的位置回归损失函数，实现预测框与真实框之间的相对位移方向匹配，加快模型收敛速度并提升检测与定位精度。实验结果表明，相较于YOLOv8-nsmlx系列模型，DCS-YOLOv8在FLIR、OTCBVS与VEDAI测试集上平均精度均值m AP@0.5平均提高了6.8%、0.6%、4.0%，分别达到86.5%、99.0%与75.6%。同时，模型的推理速度满足红外目标检测任务的实时性要求。