红外光与可见光之间具有极佳的互补性。可见光不仅在夜间展现出的特征不明显,白天条件下逆光拍摄、树荫等图像部分较暗的环境也会大幅度影响图像特征。相反,红外光在光照条件不足的情况下可以展现出更加明显的图像特征,但是没有色彩信息相关的特征。所以如何设计好一种红外光与可见光的模态融合机制实现模态之间的互补,依旧具有挑战性。

LLVIP是北京邮电大学采集的一个用于微光视觉的可见光-红外光数据集。该数据集包含16836对图像,其中大部分是在夜晚昏暗的场景中拍摄,所有图像均在时间和空间上严格对齐。作者将该数据集与其他可见光和红外数据集进行了比较,并评估了一些流行的视觉算法的性能,包括图像融合和行人检测。

1.1 多模态融合算法

在目标检测（object detection）领域，数据融合策略至关重要，尤其是在整合多模态数据和提升检测性能方面。根据数据整合的时间点和方式，融合策略可分为前期融合（early fusion）、中期融合（mid fusion）和后期融合（late fusion）。每种策略在目标检测任务中都有其独特的应用和优势。多模态融合算法类型如图 1 所示。

如图 1 所示，根据检测网络中融合位置的不同，多模态目标检测方法可以分为 3 类：前期融合、中期融合（特征级融合）和后期融合。如图 1(a)为前期融合，前期融合在特征提取之前进行图像融合。前期融合方法首先将红外图像和可见光图像进行初步融合，然后将融合后的图像输入到检测模型中。这种方法允许模型在最初的特征提取阶段就同时处理所有输入数据，从而捕捉到不同数据源之间的复杂关系。图 1(b) 为中期融合，中期融合方法通过分别提取红外图像和可见光图像的特征，再将这些特征在检测网络中进行融合。这种方法不仅允许不同数据源的独立特征提取，还可以在特征级别上捕捉到更高层次的交互。图 1(c) 为后期融合，后期融合在目标检测中意味着各个数据源经过独立的模型处理后，将输出结果在最终决策层面进行整合。3 种融合方式各有其优缺点，为充分满足本文研究的需要，本文在对 3 种融合方式进行实验对比，并在较好的融合方式上进行算法改进。

实验对比：由表 3 可以看出，在三种融合方式中，在召回率，精确率和平均精度三种指标中，中期融合的结构都要优于前期融合和后期融合，因此本文在中期融合的基础上对模型进行改进。

红外检测效果：

参考文献：

崔家礼，王涵，郑瀚，胡征慧．基于 BPP-YOLO v8 的多模态目标检测算法 [J/OL]．红外技术. https://link.cnki.net/urlid/53.1053.TN.20240830.1105.002

2.如何复现至YOLO11

2.1 如何在YOLO11中使用

在YOLO11源码的基础上，此代码新增参数如下： 3即变为原YOLO11模型

6则为RGB+红外

2.2 数据集格式要求

|-datasets
    |-LLVIP
        |-images #  RGB
        |-image  # 红外图
        |-labels # RGB和红外图公用同一份标签

2.3 基于YOLO11的前期融合、中期融合和后期融合可视化

yolo11_RGB+IR，只需要在yaml中加入ch: 6

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLO11 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect

# Parameters
ch: 6
nc: 1 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolo11n.yaml' will call yolo11.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.50, 0.25, 1024] # summary: 319 layers, 2624080 parameters, 2624064 gradients, 6.6 GFLOPs
  s: [0.50, 0.50, 1024] # summary: 319 layers, 9458752 parameters, 9458736 gradients, 21.7 GFLOPs
  m: [0.50, 1.00, 512] # summary: 409 layers, 20114688 parameters, 20114672 gradients, 68.5 GFLOPs
  l: [1.00, 1.00, 512] # summary: 631 layers, 25372160 parameters, 25372144 gradients, 87.6 GFLOPs
  x: [1.00, 1.50, 512] # summary: 631 layers, 56966176 parameters, 56966160 gradients, 196.0 GFLOPs

# YOLO11n backbone
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
  - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4
  - [-1, 2, C3k2, [256, False, 0.25]]
  - [-1, 1, Conv, [256, 3, 2]] # 3-P3/8
  - [-1, 2, C3k2, [512, False, 0.25]]
  - [-1, 1, Conv, [512, 3, 2]] # 5-P4/16
  - [-1, 2, C3k2, [512, True]]
  - [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32
  - [-1, 2, C3k2, [1024, True]]
  - [-1, 1, SPPF, [1024, 5]] # 9
  - [-1, 2, C2PSA, [1024]] # 10

# YOLO11n head
head:
  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 6], 1, Concat, [1]] # cat backbone P4
  - [-1, 2, C3k2, [512, False]] # 13

  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 4], 1, Concat, [1]] # cat backbone P3
  - [-1, 2, C3k2, [256, False]] # 16 (P3/8-small)

  - [-1, 1, Conv, [256, 3, 2]]
  - [[-1, 13], 1, Concat, [1]] # cat head P4
  - [-1, 2, C3k2, [512, False]] # 19 (P4/16-medium)

  - [-1, 1, Conv, [512, 3, 2]]
  - [[-1, 10], 1, Concat, [1]] # cat head P5
  - [-1, 2, C3k2, [1024, True]] # 22 (P5/32-large)

  - [[16, 19, 22], 1, Detect, [nc]] # Detect(P3, P4, P5)