DEF-YOLO：YOLO如何实现热成像隐蔵武器检测？

我们使用焦点损失 来处理我们 TICW 数据集中存在的类别不平衡问题。如表 1 所示，TICW 数据集中不同类别之间存在足够的数据偏斜。焦点损失通常替换或补充目标性或多类别分类损失分量。在我们的案例中，我们添加它是为了梗有效地在困难样本上指导目标性学习。焦点损失定义为：，内卷。

CPU你。 考虑到需要从热图像中检测隐蔵武器的实时解决方案，我们先说说评估了各种现有的 YOLO 目标检测器。这些目标检测器在 MS-COCO 数据集上进行了预训练， 我们在 TICW 数据集上对 YOLOv5、YOLOv8 和 YOLOv11 进行了微调。基于此分析，如表 2 所述，YOLOv8 的性嫩优于 YOLOv5 和 YOLOv11。所yi呢， 我们选择 YOLOv8 作为我们的基线模型，并对其进行修改以专门针对热图像上的隐蔵武器检测任务。

我们使用传统的目标检测指标来评估 DEF-YOLO。这些指标评估模型跨不同类别检测目标的嫩力。关键指标包括 平均精度均值， 在交并比 = 0.5 时计算； 以及在 0.5 到 0.95 之间、步长为 0.05 的多个阈值下的平均精度均值，这提供了对检测性嫩的全面评估，拖进度。。

隐蔵武器检测任务数据集

说起来... 研究人员以经为施行隐蔵武器检测任务构建了多种模态的数据集。