摘要:针对目前主流算法对小目标检测存在计算量大与准确率较低的问题，本文以轻量级网络MobileNetV3代替YOLOv4中的主干网络，并将颈部网络中的一部分普通卷积用深度可分离卷积替代，同时针对小目标检测定义一个新的损失函数IF-EIoU Loss，由此构建了MDS-YOLO目标检测模型.该模型具有较高的检测速度，且针对小目标具有较好的检测性能.为了验证模型的有效性，分别在MS COCO数据集和Visdrone2019数据集上进行了实验.与 YOLOv4算法相比，在MS COCO数据集上，MDS-YOLO算法的平均检测精度提升了1.5个百分点，对于小目标的检测精度提升了3.3个百分点，检测速度也从31帧/s提升至36帧/s；在Visdrone2019数据集上，MDS-YOLO算法将平均检测精度从YOLOv4的14.9%提升至16.3%.实验结果表明，本文提出的MDS-YOLO算法能有效提升小目标检测精度.

摘要:红外复杂背景抑制作为红外弱小目标检测的重要环节，直接影响着后续算法的目标检测概率和虚警率．针对各向同性双边滤波背景抑制方法因无法改变背景预测方向，在方向性的结构化云边缘存在较大预测残差的问题，本文设计了一种利用原始图像邻域统计信息自适应更新滤波尺度、掩模尺寸和滤波方向的各向异性双边滤波背景预测器，以最大限度地分离目标和背景．仿真实验表明该方法对输入信杂比为4的目标的信杂比增益大于4和对原始图像邻域杂波的背景抑制算子大于4．