多尺度特征提取
以分层移动多核卷积（HMLConv）替换主干网络中的常规 Conv 层， 在可控计算量下同时捕获目标的局部细节与全局上下文信息，缓解尺度差异带来的漏检。
技术实力
在红外与低照度条件下，让目标检测既精准又轻量。
我们解决的问题
红外图像普遍存在目标尺度差异大、纹理细节弱、对比度低等特点，常规检测网络容易出现 小目标漏检、跨场景精度下降与算力开销过高等问题。公司围绕以下方向展开研发。
差异化特征表示
在编码器中嵌入 C2MMHA 模块，增强多尺度目标的差异化特征表示能力， 让网络更容易区分外观相近、尺度不同的目标。
可变形建模
基于可变形 Transformer 编码器与解码器，使特征采样能够适配目标的形变与位置变化， 提升对非刚性目标与复杂背景的适应能力。
轻量化与跨场景适应
通过专用卷积模块、注意力模块与下采样模块的协同设计压缩模型规模， 在保证轻量化的同时提升检测精度与跨场景适应性，更易于边缘端部署。
自研技术成果
发明专利
CN122676146A
用于提升多尺度特征提取能力的改进 DEIM 红外检测网络与方法
该发明公开了一种改进的 DEIM 红外检测网络与方法，包含 CNN 主干网络、可变形 Transformer 编码器、可变形 Transformer 解码器及预测头。其中主干网络的 Conv 层替换为分层移动多核卷积（HMLConv），用于提取红外多尺度目标的局部细节与全局上下文特征；编码器中嵌入 C2MMHA 模块，增强多尺度目标的差异化特征表示，同时实现网络轻量化。通过专用卷积模块、注意力模块与下采样模块的设计，在保证轻量化的同时提升检测精度与跨场景适应性。
HMLConv 分层移动多核卷积C2MMHA 差异化特征注意力可变形 Transformer 编解码轻量化模型设计跨场景适应优化
精度、速度与落地，一个都不能少
以指标说话
用可复现的实验与真实数据评估算法表现，不做无法验证的承诺。
以部署为准
算法设计之初即考虑目标硬件与实时性要求，避免「能跑不能上」。
以场景为师
深入理解行业工况，用场景反馈驱动模型迭代与优化。
需要算法层面的技术支持？
无论是精度瓶颈还是部署难题，欢迎与我们交流。