Pour résoudre les problèmes d'affaiblissement des caractéristiques intra-modales et d'interaction inter-modale inefficace dans la détection d'objectifs multispectraux par drone, nous proposons une méthode de détection d'objectifs fusionnant un renforcement monocanal à double flux et une interaction de caractéristiques inter-modales. Nous concevons un module de transformation en ondelettes basé sur une convolution séparables en profondeur, qui extrait et renforce les détails haute fréquence des cartes de caractéristiques, renforçant la capacité de la branche lumière visible à extraire les détails de texture. Nous proposons un module de fusion d'informations globales à plusieurs échelles qui utilise l'intégration de caractéristiques multi-échelle et l'extraction d'informations globales pour améliorer la détection d'objets thermiques par la branche infrarouge. Nous construisons un module de fusion d’attention auto-multimodale hybride qui guide adaptativement l'interaction des caractéristiques visible et infrarouge, exploitant pleinement la complémentarité spectrale. Les résultats expérimentaux montrent que cette méthode atteint un mAP@0.50 de 86,7% et 86,0% sur les ensembles de données multispectraux DVTOD et DroneVehicle, améliorant respectivement de 1,3% et 1,9% le modèle de base, améliorant efficacement les performances de détection multispectrale par drone.

drone; détection d'objectifs multispectraux; inter-modale; transformation en ondelettes; attention auto hybride