研究背景与问题

在当前的多光谱行人检测领域，现有的算法普遍存在多模态相互作用不足以及融合方法缺乏远程依赖性的问题。尤其是在低光照背景下，小尺度行人的检测性能往往受到严重影响，难以满足实际应用需求。因此，针对这一背景，本研究旨在提出一种能够有效提升多光谱小尺度行人检测性能的新算法。

研究方法

本研究提出了一种融合自适应双重注意力和轴向注意力Transformer的多光谱小尺度行人检测算法（Adaptive Dual Attention-based Axial Attention Transformer, ADAAAT）。该算法主要包含以下几个关键部分： 1. 自适应双重注意力机制：通过引入自适应机制，能够自适应地调整不同模态之间的注意力分配，从而有效提升多模态的相互作用。 2. 轴向注意力机制：结合Transformer架构，引入轴向注意力，增强模型对远程依赖性的感知能力，进一步优化特征融合过程。 3. 多光谱特征融合：采用多光谱信息融合技术，结合不同光谱通道的信息，提高模型对小尺度行人的检测精度。

核心结果

实验结果表明，所提出的ADAAAT算法在多个公开数据集上取得了显著的性能提升。与现有算法相比，ADAAAT在低光照背景下的检测性能有了明显提高，特别是在小尺度行人的检测方面，平均精度达到了89.6%，较现有算法提高了7.2%。此外，ADAAAT算法在运行效率上也有显著提升，能够有效降低计算复杂度，提高检测速度。

结论与意义

本研究提出的融合自适应双重注意力和轴向注意力Transformer的多光谱小尺度行人检测算法，为解决现有算法在低光照背景下小尺度行人检测性能不足的问题提供了新的思路。该算法具有以下意义： 1. 提高了多光谱小尺度行人检测的精度，尤其在低光照环境下具有显著优势。 2. 优化了多模态特征融合过程，提升了模型的泛化能力。 3. 为后续相关领域的研究提供了新的参考和借鉴。 总之，本研究为多光谱行人检测领域的发展提供了新的理论和技术支持，具有广泛的应用前景。