Low-light Object Detection Algorithm Based on Improved YOLOv11s

Low-light Object Detection Algorithm Based on Improved YOLOv11s

2026-05-01

0

PRE

AI

DOI：

原文求助

摘要

En 中文

低光场景下的目标检测仍具有挑战性，因其低对比度、严重噪声和颜色失真，显著降低了特征表示和定位可靠性。为解决这些问题，本文提出了一种基于改进YOLOv11s的检测器，称为SSD-YOLOs，用于鲁棒低光目标检测。首先，我们设计了一个DConv-C3k2模块，以提高低信噪比（SNR）环境下的抗噪声特征提取能力。其次，我们将SPD-Conv引入模型，以增强对细粒度细节（如边缘和纹理）的捕捉。第三，在检测头中嵌入SE（Squeeze-and-Excitation）块，以重新校准通道响应并自适应地提高判别学习能力。此外，我们提出了PA_Inception，它整合了基于CNN的局部特征提取与Patch Aware的全局和局部建模能力，实现多尺度、多路径特征增强。在ExDark数据集上的实验结果表明，SSD-YOLOs相较于YOLOv11s在mAP@0.5和mAP@0.5:0.95上分别提升了2.93%和2.03%。在DarkLight Images数据集上的验证进一步证实了模型的可泛化性，mAP@0.5和mAP@0.5:0.95分别提升了2.18%和1.22%。这些结果验证了本算法在低光目标检测中的有效性。

Keyword:

Low-light object detection

YOLOv11s

Attention mechanism

Dynamic convolution

Space-to-depth convolution

Patch Aware

Low-light Object Detection Algorithm Based on Improved YOLOv11s

摘要

期刊

机构

引用论文