Multispektrale Bilder (z.B. sichtbar und infrarot) können besonders nützlich sein, wenn es darum geht, Objekte mit demselben Modell in verschiedenen Umgebungen (z.B. Tages- und Nachtszenen im Freien) zu erkennen. Um die verschiedenen Spektren effektiv zu nutzen, liegt das Hauptproblem in der Informationsfusion. In dieser Arbeit schlagen wir eine neue halbautomatische Merkmalsfusionsmethode für neuronale Netze vor, die das Komplementär-/Konsistenz-Gleichgewicht in multispektralen Merkmalen ausnutzt, indem ein spezielles Modul zur Netzarchitektur hinzugefügt wird, das die Merkmale jedes Spektrums zyklisch fusioniert und verfeinert. Wir bewerten die Effektivität unserer Fusionmethode anhand zweier anspruchsvoller multispektraler Datensätze für die Objekterkennung. Unsere Ergebnisse zeigen, dass die Implementierung unseres Cyclic Fuse-and-Refine-Moduls in jedem Netzwerk die Leistung auf beiden Datensätzen verbessert im Vergleich zu anderen state-of-the-art-Multispektral-Objekterkennungsverfahren.请注意，"state-of-the-art" 是一个在德语中常用的英语借词，通常用于描述最先进或最新的技术。因此，在这里直接使用 "state-of-the-art" 而不是翻译为 "stand der Technik" 以保持科技文献中的常用表达。