这篇文档属于类型a（单篇原创研究报告），以下是详细的学术报告内容：
本研究由江泽涛（桂林电子科技大学广西图像图形与智能处理重点实验室）、肖芸（通信作者）、张少钦（南昌航空大学）、朱玲红（南昌航空大学）、何玉婷和翟丰硕（桂林电子科技大学）共同完成，发表于《计算机辅助设计与图形学学报》（*Journal of Computer-Aided Design & Computer Graphics*）2023年3月第35卷第3期。研究得到国家自然科学基金（62172118、61876049）、广西自然科学基金重点项目（2021GXNSFDA196002）等多项资助支持。
研究领域：本研究属于计算机视觉中的低照度目标检测（low-illumination object detection）领域，聚焦于解决低光照环境下图像亮度低、噪声多、细节丢失导致的检测精度下降问题。
研究动机：现有通用目标检测方法（如YOLO、Faster R-CNN）在标准光照条件下表现良好，但在低照度场景（如夜间监控、无人机夜间作业）中性能显著下降。因此，亟需一种专用于低照度环境的检测方法。
技术背景：
1. 目标检测框架：主流方法分为单阶段（如YOLO系列）和双阶段（如Faster R-CNN）检测器，本研究基于单阶段YOLOv4改进。
2. 低照度图像特性：图像信噪比低、动态范围窄，传统增强方法易引入伪影。
3. 注意力机制：通过加权特征响应（如CBAM、SENet）可提升模型对关键信息的捕捉能力。
研究目标：提出Dark-YOLO方法，通过增强特征表征、多尺度特征融合及定位精度优化，提升低照度目标检测性能。
Dark-YOLO基于YOLOv4改进，包含以下核心模块：
- 骨干网络：采用CSPDarknet-53提取多尺度特征。
- 路径聚合增强模块（PAEM）：结合空洞空间金字塔池化（ASPP）与加权特征融合（WFF），增强特征表征能力。
- 金字塔平衡注意力模块（PBAM）：通过多尺度特征捕获（MSFCM）与平衡注意力机制（BAM）生成判别性特征。
- 预测交并比（IoU）分支：改进检测头，通过预测IoU值提升定位精度。
（1）PAEM模块
- ASPP分支：使用空洞率（dilation rate）为1、3、5的空洞卷积并行提取多尺度上下文特征，辅以平均池化分支。
- WFF融合：通过1×1卷积生成注意力权重，加权融合自顶向下与自底向上路径的特征。
（2）PBAM模块
- MSFCM：采用1×1、3×3、5×5、7×7深度可分离卷积提取多尺度特征。
- 平衡注意力：并联通道注意力（CAM）与空间注意力（SAM），分别通过全局平均池化和最大池化生成权重，结合跳跃连接抑制噪声。
（3）预测IoU分支
- 在检测头中新增IoU预测分支，通过交叉熵损失训练，将预测IoU值与分类得分、目标性得分加权（α=0.4）作为最终置信度。
消融实验：
对比实验：
可视化分析：
科学价值：
1. 提出PAEM与PBAM模块，解决了低照度图像特征表征弱、噪声干扰大的问题。
2. 引入预测IoU分支，首次将定位精度直接纳入置信度计算，提升检测可靠性。
应用价值：
可直接应用于夜间监控、自动驾驶、军事侦察等低照度场景，为实际工程问题提供高效解决方案。
局限与展望：
当前模型计算量较大，未来需研究轻量化设计（如模型剪枝、知识蒸馏）以进一步提升速度。