189、YOLOv8改进实战：红外弱小目标检测——结合超分辨率辅助分支与多尺度特征增强

189、YOLOv8改进实战：红外弱小目标检测——结合超分辨率辅助分支与多尺度特征增强

一、从一次红外检测翻车说起

去年冬天接了个红外弱小目标检测的项目，甲方要求检测5公里外无人机，目标在图像上就几个像素点。我一开始信心满满地上了YOLOv8n，结果在测试集上mAP@0.5只有0.12，召回率更是惨不忍睹。最离谱的是，模型把远处的热源噪声当成了目标，而真正的无人机却漏检了。

调试了三天，我盯着TensorBoard里的特征图发呆——小目标的特征在深层网络里几乎消失了，就像往大海里撒了一把盐。这时候我才意识到，红外弱小目标检测和常规的可见光检测完全是两码事。常规YOLOv8的backbone下采样32倍后，一个4x4像素的目标在特征图上连一个点都算不上。

二、问题拆解：红外弱小目标的三个死穴

红外图像本身信噪比低，目标与背景的温差可能只有1-2度，加上目标尺寸极小（通常小于图像面积的0.12%），常规检测器有三个致命短板：

特征消失：YOLOv8的SPPF模块和后续下采样会把小目标的语义信息稀释到几乎为零。我做过实验，把原始图像里一个5x5的模拟目标贴上去，经过C2f模块后，特征响应值比背景噪声只高了0.3%。

分辨率瓶颈：红外传感器本身分辨率有限（常见640x512），再经过YOLOv8的stride=32下采样，输出特征图只有20x16。在这个尺度上，小目标的位置偏差1个像素，对应原图就是32个像素的误差。

背景干扰：红外