具有光度对齐的域适应夜间目标检测方法

doi:10.11772/j.issn.1001-9081.2025010058

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (1): 242-251.DOI: 10.11772/j.issn.1001-9081.2025010058

• 多媒体计算与计算机仿真 • 上一篇下一篇

具有光度对齐的域适应夜间目标检测方法

桑雨¹^,²(), 贡同¹, 赵琛³, 于博文¹, 李思漫¹

^1.辽宁工程技术大学电子与信息工程学院，辽宁葫芦岛 125105
^2.辽宁省无线射频大数据智能应用重点实验室（辽宁工程技术大学），辽宁葫芦岛 125105
^3.民航新疆空中交通管理局技术保障中心，乌鲁木齐 830013

收稿日期:2025-01-15 修回日期:2025-03-31 接受日期:2025-03-31 发布日期:2026-01-10 出版日期:2026-01-10
通讯作者: 桑雨
作者简介:贡同（2000—），男，安徽芜湖人，硕士研究生，主要研究方向：跨域目标检测、语义分割
赵琛（1999—），男，甘肃定西人，硕士，主要研究方向：人工智能、计算机视觉
于博文（2000—），女，辽宁大连人，硕士研究生，主要研究方向：人工智能、图像处理
李思漫（2000—），女，辽宁阜新人，硕士研究生，主要研究方向：人工智能、计算机视觉。
基金资助:
国家自然科学基金资助项目(61602226);辽宁省教育厅科研基金资助项目(LJKQZ2021152);高校人才引进基金资助项目(18-1021)

Domain-adaptive nighttime object detection method with photometric alignment

Yu SANG¹^,²(), Tong GONG¹, Chen ZHAO³, Bowen YU¹, Siman LI¹

^1.School of Electronics and Information Engineering，Liaoning Technical University，Huludao Liaoning 125105，China
^2.Liaoning Key Laboratory of Radio Frequency and Big Data for Intelligent Applications （Liaoning Technical University），Huludao Liaoning 125105，China
^3.Technical Support Center，Xinjiang Air Traffic Control Bureau，Urumqi Xinjiang 830013，China

Received:2025-01-15 Revised:2025-03-31 Accepted:2025-03-31 Online:2026-01-10 Published:2026-01-10
Contact: Yu SANG
About author:GONG Tong， born in 2000， M. S. candidate. His research interests include cross-domain object detection， semantic segmentation.
ZHAO Chen， born in 1999， M. S. His research interests include artificial intelligence， computer vision.
YU Bowen， born in 2000， M. S. candidate. Her research interests include artificial intelligence， image processing.
LI Siman， born in 2000， M. S. candidate. Her research interests include artificial intelligence， computer vision.
Supported by:
National Natural Science Foundation of China(61602226);Research Fund of Department of Education of Liaoning Province(LJKQZ2021152);University Talent Introduction Fund(18-1021)

摘要/Abstract

摘要：

夜间目标检测受限于低光照条件和高质量标注数据的匮乏，目标特征提取困难，目标检测精度不高。因此，提出一种具有光度对齐的域适应夜间目标检测方法。首先，设计一种夜间域适应光度对齐模块，将有标记的白天源域图像转换为对应的夜间目标域图像，即通过光度对齐弥合源域与目标域之间的差距，解决低光照条件下难以获取准确夜间目标注释的问题；其次，采用CNN-Transformer混合模型作为检测器，即以CSwin Transformer作为主干网络提取多层次的图像特征，并将提取特征输入特征金字塔网络中，提升模型对多尺度目标的检测能力；最后，引入Outlook注意力解决光照不足导致的图像细节不明显问题，提升模型在光照变化和阴影等复杂环境下的鲁棒性。实验结果表明，在公共数据集BDD100K上，所提方法的平均精度均值（mAP）@0.5达到了50.0%，比2PCNet （two-Phase Consistency Network）方法提高4.2个百分点；在公共数据集SODA10M上，所提方法的mAP@0.5达到了45.4%，比SFA （Sequence Feature Alignment）方法提高0.9个百分点。

关键词: 目标检测, 域适应, 光度对齐, CNN-Transformer

Abstract:

Nighttime object detection faces numerous challenges compared to daytime object detection， due to low-light conditions and the scarcity of high-quality labeled data， which hinder feature extraction and degrade detection accuracy. Therefore， a domain-adaptive object detection method for nighttime images was proposed. Firstly， a nighttime domain-adaptive photometric alignment module was designed to convert a labeled daytime source domain image into a corresponding nighttime target domain image， that is bridging the gap between source and target domains through photometric alignment， thereby solving the problem of difficulty in obtaining accurate nighttime object labels under low-light conditions. Secondly， a hybrid CNN-Transformer model was used as a detector， in which using CSwin Transformer was used as a backbone network to extract multi-level image features and these features were input into a feature pyramid network， thus enhancing the model's capability for multi-scale object detection. Finally， the Outlook attention module was introduced to address the loss of image details caused by insufficient lighting， thereby enhancing the model's robustness under varying lighting conditions， shadows， and other complex environments. Experimental results demonstrate that the proposed method achieves the mean Average Precision （mAP） @0.5 of 50.0% on the public dataset BDD100K， which is improved by 4.2 percentage points compared to 2PCNet （two-Phase Consistency Network） method； and the mAP@0.5 reached 45.4% on the public dataset SODA10M， which is improved by 0.9 percentage points compared to SFA （Sequence Feature Alignment） method.

Key words: object detection, domain adaptation, photometric alignment, CNN-Transformer

中图分类号:

TP391.41

桑雨, 贡同, 赵琛, 于博文, 李思漫. 具有光度对齐的域适应夜间目标检测方法[J]. 计算机应用, 2026, 46(1): 242-251.

Yu SANG, Tong GONG, Chen ZHAO, Bowen YU, Siman LI. Domain-adaptive nighttime object detection method with photometric alignment[J]. Journal of Computer Applications, 2026, 46(1): 242-251.

图/表 14

图1 基于夜间域适应和CNN-Transformer模型的夜间目标检测的框架

Fig. 1 Framework for nighttime object detection based on nighttime domain adaptation and CNN-Transformer model

图2 夜间域适应模块的流程

Fig. 2 Flow of nighttime domain adaptation module

图3 改进的CNN-Transformer检测器的框架

Fig. 3 Improved CNN-Transformer detector framework

图4 Outlook注意力的操作

Fig. 4 Operations of Outlook attention

表1 不同方法在BDD100K数据集上的实验结果对比 ( %)

Tab. 1 Comparison of experimental results of different methods on BDD100K dataset

方法	AP									mAP@0.5
方法	Pedestrian	Rider	Car	Truck	Bus	Motorcycle	Bicycle	Traffic-light	Traffic-sign	mAP@0.5
DAFRCNN^［6］	50.4	30.3	66.3	46.8	48.3	32.6	41.4	41.0	56.2	41.3
TDD^［9］	43.1	20.7	68.4	33.3	35.6	16.5	25.9	43.1	59.5	34.6
UMT^［8］	46.5	26.1	46.8	44.0	46.3	28.2	40.2	31.6	52.7	36.2
AT （Adaptive Teacher）^［26］	42.3	30.4	60.8	48.9	52.1	34.5	42.7	29.1	43.9	38.5
CycleGAN^［12］	52.3	33.9	69.9	50.1	52.0	34.8	43.1	33.0	62.6	43.2
ForkGAN^［30］	49.9	29.6	69.2	48.7	50.3	32.5	39.4	44.6	61.8	42.6
Nod^［39］	53.0	32.6	69.1	51.9	52.3	37.9	42.3	45.0	62.9	44.7
2PCNet^［10］	53.8	31.7	71.8	53.2	53.3	37.0	40.5	45.2	64.3	45.8
本文方法	55.6	34.3	71.9	55.6	53.3	30.8	43.6	46.0	62.1	50.0

表2 不同方法在BDD100K数据集上大、中、小目标实验结果对比 ( %)

Tab. 2 Comparison of experimental results of different methods for large， medium， and small objects on BDD100K dataset

方法	AP_大	AP_中	AP_小	mAP@0.5
2PCNet^［10］	41.7	25.8	9.1	45.8
ISP^［41］	45.7	27.2	9.2	48.8
CoS^［40］	45.9	27.9	10.2	49.4
本文方法	52.9	30.5	9.4	50.0

图5 BDD100K数据集上不同域适应方法的主观结果对比

Fig. 5 Comparison of subjective results of different domain adaptation methods on BDD100K dataset

表3 不同方法在SODA10M数据集的实验结果对比 ( %)

Tab. 3 Comparison of experimental results of different methods on SODA10M dataset

方法	AP					mAP@0.5
方法	Pedestrian	Rider	Car	Truck	Tram	mAP@0.5
DAFRCNN^［6］	49.9	29.7	47.4	32.6	47.3	42.6
TDD^［9］	44.1	26.4	45.7	33.3	25.0	35.7
UMT^［8］	43.7	27.0	46.8	29.9	39.3	37.3
AT^［26］	50.3	29.1	46.6	31.5	48.7	42.0
AQT （Adversarial Query Transformers）^［34］	36.7	20.6	64.8	35.2	32.3	37.9
SFA^［35］	43.4	36.5	68.9	36.7	36.9	44.5
本文方法	53.3	43.5	75.5	45.4	43.1	45.4

图6 SODA10M数据集上的推理结果对比

Fig. 6 Comparison of inference results on SODA10M dataset

图7 不同图像转换方法的可视化对比

Fig. 7 Visual comparison of different image transformation methods

表4 不同图像转换方法的对比实验结果 ( %)

Tab. 4 Comparison experiment results of different image transformation methods

方法	mAP@0.5
CNN-Transformer	47.4
FFT^［47］	48.2
RGB直方图匹配	47.9
LAB直方图匹配	48.4
夜间域适应（NDA）模块	49.1

表5 BDD100K数据集上的消融实验结果 ( %)

Tab. 5 Ablation experiment results on BDD100K dataset

消融实验	AP_大	AP_中	AP_小	mAP@0.5	mAP@0.5：0.95
CNN-Transformer	51.8	29.4	8.8	47.4	26.4
CNN-Transformer+Outlook	52.3	29.5	9.1	48.5	26.5
CNN-Transformer+NDA	52.9	29.9	8.9	49.1	26.9
CNN-Transformer+Outlook+NDA	52.9	30.5	9.4	50.0	27.3

图8 引入Outlook注意力热力图对比

Fig. 8 Comparison of heatmaps before and after introducing Outlook attention

图9 BDD100K数据集上的消融曲线

Fig. 9 Ablation curves on BDD100K dataset

参考文献 47

[1]	REN S， HE K， GIRSHICK R， et al. Faster R-CNN： towards real-time object detection with region proposal networks ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（6）： 1137-1149.
[2]	WANG S. Research towards YOLO-series algorithms： comparison and analysis of object detection models for real-time UAV applications ［J］. Journal of Physics： Conference Series， 2021， 1948： No.012021.
[3]	DAI X， CHEN Y， YANG J， et al. Dynamic DETR： end-to-end object detection with dynamic attention ［C］// Proceedings of the 2021 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2021： 2968-2977.
[4]	CUI Z， LI K， GU L， et al. You only need 90k parameters to adapt light： a light weight transformer for image enhancement and exposure correction ［C］// Proceedings of the 2022 British Machine Vision Conference. Durham： BMVA Press， 2022： No.238.
[5]	YIN X， YU Z， FEI Z， et al. PE-YOLO： pyramid enhancement network for dark object detection ［C］// Proceedings of the 2023 International Conference on Artificial Neural Networks， LNCS 14260. Cham： Springer， 2023： 163-174.
[6]	CHEN Y， LI W， SAKARIDIS C， et al. Domain adaptive Faster R-CNN for object detection in the wild ［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 3339-3348.
[7]	CAI Q， PAN Y， NGO C W， et al. Exploring object relation in mean teacher for cross-domain detection ［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 11449-11458.
[8]	DENG J， LI W， CHEN Y， et al. Unbiased mean teacher for cross-domain object detection ［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 4089-4099.
[9]	HE M， WANG Y， WU J， et al. Cross domain object detection by target-perceived dual branch distillation ［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2022： 9560-9570.
[10]	KENNERLEY M， WANG J G， VEERAVALLI B， et al. 2PCNet： two-phase consistency training for day-to-night unsupervised domain adaptive object detection ［C］// Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2023： 11484-11493.
[11]	SAKARIDIS C， DAI D， VAN GOOL L. Guided curriculum model adaptation and uncertainty-aware evaluation for semantic nighttime image segmentation ［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019： 7373-7382.
[12]	ZHU J Y， PARK T， ISOLA P， et al. Unpaired image-to-image translation using cycle-consistent adversarial networks ［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 2242-2251.
[13]	ZHOU H， JIANG F， LU H. SSDA-YOLO： semi-supervised domain adaptive yolo for cross-domain object detection ［J］. Computer Vision and Image Understanding， 2023， 229： No.103649.
[14]	GIRSHICK R， DONAHUE J， DARRELL T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation ［C］// Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2014： 580-587.
[15]	HE K， ZHANG X， REN S， et al. Spatial pyramid pooling in deep convolutional networks for visual recognition ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2015， 37（9）： 1904-1916.
[16]	GIRSHICK R. Fast R-CNN ［C］// Proceedings of the 2015 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2015： 1440-1448.
[17]	LIU W， ANGUELOV D， ERHAN D， et al. SSD： single shot MultiBox detector ［C］// Proceedings of the 2016 European Conference on Computer Vision， LNCS 9905. Cham： Springer， 2016： 21-37.
[18]	LIN T Y， GOYAL P， GIRSHICK R， et al. Focal loss for dense object detection ［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 2999-3007.
[19]	TIAN Z， SHEN C， CHEN H， et al. FCOS： fully convolutional one-stage object detection ［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019： 9626-9635.
[20]	DOSOVITSKIY A， BEYER L， KOLESNIKOV A， et al. An image is worth 16x16 words： Transformers for image recognition at scale ［EB/OL］. ［2025-03-31］. .
[21]	BEAL J， KIM E， TZENG E， et al. Toward Transformer-based object detection ［EB/OL］. ［2025-03-31］. .
[22]	LIU Z， LIN Y， CAO Y， et al. Swin Transformer： hierarchical Vision Transformer using shifted windows ［C］// Proceedings of the 2021 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2021： 9992-10002.
[23]	DONG X， BAO J， CHEN D， et al. CSwin Transformer： a general vision transformer backbone with cross-shaped windows ［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2022： 12114-12124.
[24]	GANIN Y， USTINOVA E， AJAKAN H， et al. Domain-adversarial training of neural networks ［J］. Journal of Machine Learning Research， 2016， 17： 1-35.
[25]	KHODABANDEH M， VAHDAT A， RANJBAR M， et al. A robust learning approach to domain adaptive object detection ［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019： 480-490.
[26]	LI Y J， DAI X， MA C Y， et al. Cross-domain adaptive teacher for object detection ［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2022： 7571-7580.
[27]	FUJII K， KERA H， KAWAMOTO K. Adversarially trained object detector for unsupervised domain adaptation ［J］. IEEE Access， 2022， 10： 59534-59543.
[28]	ZHUANG C， HAN X， HUANG W， et al. iFAN： image-instance full alignment networks for adaptive object detection ［C］// Proceedings of the 34th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2020： 13122-13129.
[29]	CHEN C， ZHENG Z， DING X， et al. Harmonizing transferability and discriminability for adapting object detectors ［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 8866-8875.
[30]	ZHENG Z， WU Y， HAN X， et al. ForkGAN： seeing into the rainy night ［C］// Proceedings of the 2020 European Conference on Computer Vision， LNCS 12348. Cham： Springer， 2020： 155-170.
[31]	WU J， CHEN J， HE M， et al. Target-relevant knowledge preservation for multi-source domain adaptive object detection ［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2022： 5291-5300.
[32]	CHEN M， CHEN W， YANG S， et al. Learning domain adaptive object detection with probabilistic teacher ［C］// Proceedings of the 39th International Conference on Machine Learning. New York： JMLR.org， 2022： 3040-3055.
[33]	章东平，张煜，刘志勇，等.域适应增强和多尺度特征融合的跨域小样本目标检测方法［J/OL］.北京航空航天大学学报［2025-03-31］. .
	ZHANG D P， ZHANG Y， LIU Z Y， et al. Domain adaptation and multi-scale feature fusion for cross-domain few-shot object detection ［J/OL］. Journal of Beijing University of Aeronautics and Astronautics ［2025-03-31］. .
[34]	HUANG W J， LU Y L， LIN S Y， et al. AQT： adversarial query transformers for domain adaptive object detection ［C］// Proceedings of the 31st International Joint Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2022： 972-979.
[35]	WANG W， CAO Y， ZHANG J， et al. Exploring sequence feature alignment for domain adaptive detection Transformers ［C］// Proceedings of the 29th ACM International Conference on Multimedia. New York： ACM， 2021： 1730-1738.
[36]	DENG X， WANG P， LIAN X， et al. NightLab： a dual-level architecture with hardness detection for segmentation at night ［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2022： 16917-16927.
[37]	杜运亮，王明甲.基于半监督域适应的微弱光环境下行人检测研究［J］.电子测量与仪器学报， 2024， 38（1）： 106-113.
	DU Y L， WANG M J. Research on pedestrian detection in low-light conditions based on semi-supervised domain adaptation ［J］. Journal of Electronic Measurement and Instrumentation， 2024， 38（1）： 106-113.
[38]	苗德邻，刘磊，莫涌超，等.基于知识蒸馏的夜间低照度图像增强及目标检测［J］.应用光学， 2023， 44（5）： 1037-1044.
	MIAO D L， LIU L， MO Y C， et al. Nighttime low-light image enhancement and object detection based on knowledge distillation ［J］. Journal of Applied Optics， 2023， 44（5）： 1037-1044.
[39]	卫禹帆，张丽红.基于域适应与类别对比的夜间目标检测方法［J］.网络新媒体技术， 2024， 13（4）： 16-25.
	WEI Y F， ZHANG L H. Nighttime object detection method based on domain adaptation and category contrast ［J］. Journal of Network New Media Technology， 2024， 13（4）： 16-25.
[40]	YUAN J， LE-TUAN A， HAUSWIRTH M， et al. Cooperative students： navigating unsupervised domain adaptation in nighttime object detection ［C］// Proceedings of the 2024 IEEE International Conference on Multimedia and Expo. Piscataway： IEEE， 2024： 1-6.
[41]	ZHANG Y， ZHANG Y， ZHANG Z， et al. ISP-Teacher： image signal process with disentanglement regularization for unsupervised domain adaptive dark object detection ［C］// Proceedings of the 38th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2024： 7387-7395.
[42]	YUAN L， HOU Q， JIANG Z， et al. VOLO： Vision Outlooker for visual recognition ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2023， 45（5）： 6575-6586.
[43]	ZHENG Z， WANG P， REN D， et al. Enhancing geometric factors in model learning and inference for object detection and instance segmentation ［J］. IEEE Transactions on Cybernetics， 2022， 52（8）： 8574-8586.
[44]	LI X， WANG W， WU L， et al. Generalized focal loss： learning qualified and distributed bounding boxes for dense object detection ［C］// Proceedings of the 34th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2020： 21002-21012.
[45]	YU F， CHEN H， WANG X， et al. BDD100K： a diverse driving dataset for heterogeneous multitask learning ［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 2633-2642.
[46]	HAN J， LIANG X， XU H， et al. SODA 10M： large-scalea 2D self/semi-supervised object detection dataset for autonomous driving ［EB/OL］. ［2025-02-20］. .
[47]	YANG Y， SOATTO S. FDA： Fourier domain adaptation for semantic segmentation ［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 4084-4094.

具有光度对齐的域适应夜间目标检测方法

Domain-adaptive nighttime object detection method with photometric alignment

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 47

相关文章 15

编辑推荐

Metrics

[1]	谢斌红, 王瑞, 张睿, 张英俊. 代理原型蒸馏的小样本目标检测算法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 233-241.
[2]	李世伟, 周昱峰, 孙鹏飞, 刘伟松, 孟竹喧, 廉浩杰. 基于煤尘对激光雷达电磁波散射和吸收效应的点云数据增强方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 331-340.
[3]	边小勇, 袁培洋, 胡其仁. 双编码空频混合的红外小目标检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 252-259.
[4]	黄舒雯, 郭柯宇, 宋翔宇, 韩锋, 孙士杰, 宋焕生. 基于单目图像的多目标三维视觉定位方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 207-215.
[5]	魏利利, 闫丽蓉, 唐晓芬. 上下文语义表征和像素关系纠正的小样本目标检测[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2993-3002.
[6]	张嘉祥, 李晓明, 张佳慧. 结合新类特征增强与度量机制的小样本目标检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2984-2992.
[7]	王闯, 俞璐, 陈健威, 潘成, 杜文博. 开集域适应综述[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2727-2736.
[8]	颜承志, 陈颖, 钟凯, 高寒. 基于多尺度网络与轴向注意力的3D目标检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2537-2545.
[9]	廖炎华, 鄢元霞, 潘文林. 基于YOLOv9的交通路口图像的多目标检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2555-2565.
[10]	谢斌红, 剌颖坤, 张英俊, 张睿. 自步学习指导下的半监督目标检测框架[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2546-2554.
[11]	张子墨, 赵雪专. 多尺度稀疏图引导的视觉图神经网络[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2188-2194.
[12]	陈亮, 王璇, 雷坤. 复杂场景下跨层多尺度特征融合的安全帽佩戴检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2333-2341.
[13]	于平平, 闫玉婷, 唐心亮, 苏鹤, 王建超. 输电线路场景下的施工机械多目标跟踪算法[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2351-2360.
[14]	范博淦, 王淑青, 陈开元. 基于改进YOLOv8的航拍无人机小目标检测模型[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2342-2350.
[15]	张英俊, 闫薇薇, 谢斌红, 张睿, 陆望东. 梯度区分与特征范数驱动的开放世界目标检测[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2203-2210.