Diante da baixa precisão e eficiência na detecção de alvos noturnos de vida selvagem e da dificuldade na anotação manual abrangente, foi proposto um modelo de reconhecimento de vida selvagem noturna end-to-end baseado em aprendizagem semi-supervisionada (SAN-YOLO). Baseado no YOLOv8 com a fusão do mecanismo de atenção de características e o mecanismo de atenção de pixels, para melhorar a adaptabilidade do detector a imagens noturnas e a capacidade de representação das características. Em seguida, foi construído uma rede de treinamento semi-supervisionada baseada no quadro professor-aluno, gerando e atribuindo razoavelmente pseudo rótulos, permitindo que o modelo aluno aprenda a partir de uma grande quantidade de imagens brutas não anotadas, e por fim, avaliou-se no conjunto de dados construído. Os resultados experimentais indicam que, ao usar 5% de anotação, o índice mAP do SAN-YOLO alcança 69,7%, superior aos 59,6% do detector em treinamento supervisionado completo e ao modelo baseline com 57,1%. O método de detecção estudado apresentou bom desempenho no conjunto de dados noturno com baixa rotulagem de animais, e validou a eficácia do mecanismo de atenção no campo da detecção de alvos noturnos.

detecção de alvos;aprendizagem semi-supervisionada;visão noturna infravermelha;proteção da vida selvagem;modelo professor-aluno;mecanismo de atenção