基于多模态双路TCN-SE-YOLO的小目标检测

首先声明：该思路在小目标检测领域尚未有成果发表，感兴趣的小伙伴可以借鉴！

一、引言

1.1 研究背景

• 小目标检测在交通监控（车牌识别）、工业检测（PCB缺陷）及农业（病虫害斑点）等领域具有重要应用价值
• 传统单模态检测方法在复杂场景下的漏检率高达40%以上（VisDrone 2021统计）
• 多模态融合与时序建模能有效提升小目标特征表达能力

1.2 创新点

1. ​双路时序特征融合：结合RGB与热红外模态的时空特征
2. ​轻量化注意力机制：SE模块与TCN扩张卷积的联合优化
3. ​小目标增强策略：SPD-Conv代替下采样，保留高频细节

---

​二、模型架构

2.1 核心模块实现

​TCN-SE模块（Python/PyTorch）​

python

class TCN_SE(nn.Module):
    def __init__(self, in_c, ratio=16):
        super().__init__()
        # 时间卷积层
        self.tcn = nn.Sequential(
            nn.Conv2d(in_c, in_c, kernel_size=3, 
                     padding=2, dilation=2, groups=in_c),
            nn.BatchNorm2d(in_c),
            nn.GELU()
        )
        # 通道注意力
        self.se = nn.Sequential(
            nn.AdaptiveAvgPool2d(1),
            nn.Conv2d(in_c, in_c//ratio, 1),
            nn.ReLU(),
            nn.Conv2d(in_c//ratio, in_c, 1),
            nn.Sigmoid()
        )

    def forward(