Trans-YOLO：基于RT-DETR解码器改进YOLOv8的红外小目标检测

红外检测作为远程搜索和监视的重要手段，在诸多领域发挥着重要作用。为了提高复杂背景下红外小目标的检测精度，提出了一种基于RT-DETR改进YOLOv8模型的Trans-YOLO算法。首先，为了避免YOLOv8模型中非极大值抑制（NMS）错误抑制真实目标，利用RT-DETR中的Decoder & Head替换其Head部；然后，为了应对红外小目标信号弱、尺寸小等特点，设计了一个RGCSPELAN模块，使检测网络能够对输入特征进行更细粒度的处理；最后，为了缩小深浅层特征语义差距，设计了CAFMFusion（CAFM-based fusion）机制作为新的特征融合策略，促进不同特征信息在网络中流动，从而增强模型对不同尺寸目标的检测能力。实验结果表明，所提Trans-YOLO模型在两个复杂场景的公开数据集上交并比阈值为0.5时的平均精度均值分别达到了86.1%和99.5%，比原YOLOv8模型分别提高了7.7百分点和3.0百分点。此外，该模型在两个数据集上的处理速度分别达到了371.9 frame/s和369.4 frame/s，在准确性和速度之间实现了有效平衡。