Angesichts von Problemen mit der Größe, der Effizienz und der Schwierigkeiten bei der Implementierung eines Modells zur Detektion von maritimen Zielen in Mehrfachspektrum-Infrarotkanälen wird in diesem Artikel ein leichtes Modell zur Detektion von maritimen Zielen in Mehrfachspektrum-Infrarotkanälen YOLOv8n-MFLW vorgeschlagen. Zunächst wurde das Hauptnetzwerk durch ein leichtes Netzwerk HGNetv2 ersetzt; der Block HGBlock und das Modul C2f wurden auf der Basis wiederholter Faltung des globalen Datenauszugs neu aufgebaut, wodurch die Anzahl der Modellparameter reduziert und gleichzeitig die Fähigkeit zur Extraktion und Fusion von Modellmerkmalen erhalten blieb. Zweitens wurde ein Algorithmus für strukturiertes und spärliches Beschneiden La-Depgraph eingeführt, um die Modellparameter weiter zu komprimieren; schließlich wurde eine Lernstrategie zur Wissensdestillation verwendet, um die durch die Kompression verursachten Genauigkeitsverluste wiederherzustellen und die Detektionsleistung des Modells zu verbessern. Die experimentellen Ergebnisse zeigen, dass die Genauigkeit der Detektion für das verbesserte leichte Modell zur Detektion von maritimen Zielen in Mehrfachspektrum-Infrarotkanälen YOLOv8n-MFLW 96,4 % erreichen kann, was einer Steigerung um 1,2 % entspricht, und dass die Modellparameter, Berechnungen und Speichernutzung jeweils nur 0,9 MB, 3,5 GFlops und 2,3 MB betragen, was einer Reduzierung um 88,1 %, 81,2 % und 82,8 % entspricht. Das von uns vorgeschlagene Modell ist daher klein, präzise und weist eine bessere Detektionsleistung für Ziele auf. Es ist in der Lage, Aufgaben zur Detektion von maritimen Zielen in komplexen Umgebungen zu bewältigen.

Maritime Ziele in Infrarotkanälen; Mehrfachspektrale Zielsetzung; Leichte Detektion; Modellbeschneidung; Wissenskompression