%0 Journal Article
%A 罗红轩
%A 张远航
%A 阮雅端
%T 基于改进YOLOv5的车载红外目标检测
%D 2026
%R 10.11860/j.issn.1673-0291.20250080
%J 星空电竞app2026最新版学报
%P 190-199
%V 50
%N 2
%X <p>红外成像技术不受光照条件限制、抗干扰性强，可在夜间及复杂恶劣环境下稳定工作，是车载智能系统实现全天候环境感知的重要技术手段.然而，红外图像普遍存在边缘模糊、细节特征匮乏的问题，难以精准检测行人等小尺度目标，无法满足车载场景实时检测需求.针对红外图像特征弱化与定位模糊的问题，提出一种全局上下文空间目标检测网络（Global Context Space-You Only Look Once，GCS-YOLO）.首先，设计全局自适应特征提取模块（Global Feature Extraction Module，GFEM）对于骨干网络进行改进，通过引入全局通道增强（Global Channel Attention，GCA）机制并采用具有逐步选择核的残差结构，使得模型能够自适应地调制感受野来提取不同尺度下的特征信息；其次，设计坐标关注特征金字塔网络（Multi-Spatial Attention Feature Pyramid Network，MSA-FPN），通过坐标关注模块增强含有位置信息的深度特征图，并引入浅层信息的横向跳跃连接，提高对弱小目标的检测精度；最后，引入最小点距离交并比（Minimum Point Distance Intersection over Union，MPDIoU）损失函数，通过最小化预测框与真实框左上角和右下角的欧氏距离，提升边界框回归精度.实验结果表明：相较于YOLOv5，GCS-YOLO在开源红外数据集上的mAP@0.5达到81.1%，mAP@0.5：0.95达到49.5%，分别提高10.4%和7.4%，处理速度达到26.4FPS，能够满足车载实时检测的需求.与现有算法相比，GCS-YOLO在红外目标检测精度上具有明显优势，可以为智能驾驶系统的全天候运行提供有效的技术支撑.</p>
%U https://jdxb.bjtu.edu.cn/CN/10.11860/j.issn.1673-0291.20250080