Angesichts der Probleme mit dem großen Volumen des Modells zur Detektion des multiplen Spektrums des Heterogen-Infrarot-Rumpfes, der geringen Effizienz und der Schwierigkeit, es auf eingebetteten Geräten zu implementieren, wurde basierend auf YOLOv8n-MF ein leichtes Modell zur Detektion des multiplen Spektrums des Heterogen-Infrarot-Rumpfes YOLOv8n-MFLW vorgeschlagen. Zunächst wurde ein leichtes Netzwerk HGNetv2 zur Ersetzung des Hauptnetzwerks eingeführt, basierend auf der GSConv Convolution, der Wiederherstellung von HGBlock und dem Modul C2f, wodurch das Volumen der Modellparameter reduziert und gleichzeitig die Fähigkeit zur Extraktion von Merkmalen und Fusion des Modells erhalten wurde. Anschließend wurde ein adaptiver strukturierter Beschneidungsalgorithmus La-Depgraph vorgeschlagen, um das Modell zu skalieren und das Volumen der Modellparameter weiter erheblich zu reduzieren; Schließlich wurde eine Strategie des Destillierens von Wissenskenntnissen der mittleren Funktionen verwendet, um die Genauigkeitsverluste aufgrund der Beschneidung wiederherzustellen und die Detektionsleistung des Modells zu verbessern. Experimentelle Ergebnisse zeigen, dass das verbesserte leichte Modell zur Detektion des multiplen Spektrums des Heterogen-Infrarot-Rumpfes im Vergleich zum ursprünglichen Modell eine Genauigkeit von 96,4% erreichen kann, was einer Steigerung um 1,2% entspricht. Das Volumen der Modellparameter, die Berechnungsleistung und die Speichernutzung betragen nur 0,9 MB, 3,5 GFlops und 2,3 MB, was einer Reduzierung um 88,1%, 81,2% bzw. 82,8% entspricht. Das vorgeschlagene Modell ist daher klein, genau und weist eine bessere Detektionsleistung auf und kann besser den Anforderungen an die Zielerkennung in komplexen Umgebungen gerecht werden.

Infrarot-Kriegsschiff; Detektion des multiplen Spektrums; leicht; Modellbeschneidung; Lernen durch Destillation von Wissen