英文翻译中文英文原文：Fig 2 displays the network of the proposed deep and shallow featurefusion strategy We frst use a backbone network similar to the YOLOv5smodel to gain multilevel feature maps with different

图2展示了所提出的深浅特征融合策略的网络。我们首先使用类似于YOLOv5s模型的主干网络获得具有不同分辨率的多级特征图，其中包括一个聚焦模块、四个3×3卷积层、四个C3模块、一个空间金字塔模块和一个坐标注意力模块。聚焦模块用于减少计算负担和加速训练速度，3×3卷积层用于下采样特征图，C3模块设计用于从获得的特征图中提取深度特征，空间金字塔模块用于提高网络的感受野，坐标注意力模块用于增强目标的显著性。如图2所示，与标准的YOLOv5s网络不同，我们设计了一个特征融合网络来融合多级特征图，以增加小目标的检测概率。特征融合网络主要由三个1×1卷积层、一个3×3卷积层、三个上采样层、三个连接模块和三个C3模块组成。其中，1×1卷积层用于改变特征通道数，3×3卷积层用于下采样特征图，上采样层用于将低分辨率特征图转换为高分辨率特征图，连接模块将具有相同分辨率的深浅特征图拼接和融合，C3模块用于从融合的特征图中提取特征信息。由于具有高分辨率的低级别特征图包含更详细的结构和纹理信息，而具有低分辨率的高级别特征图包含目标的丰富语义信息，所提出的深浅特征融合策略利用结构和纹理信息以及语义信息进行红外小目标检测，能够处理复杂场景下的漏检问题。