Un modelo ligero de detección de objetos pequeños para imágenes de UAV basado en una integración semántica profunda

Área de la Ciencia:

• Visión por computadora
• Aprendizaje profundo
• Detección de objetos

Sus antecedentes:

• Los métodos existentes de detección de objetos pequeños a menudo utilizan bloques residuales computacionalmente costosos con información redundante.
• Esta complejidad dificulta las mejoras de rendimiento, especialmente para la detección de objetos pequeños.

Objetivo del estudio:

• Desarrollar un método eficiente y eficaz de detección de objetos pequeños.
• Optimizar la fusión de características y reducir la sobrecarga computacional en los modelos de detección de objetos.

Principales métodos:

• Diseñado una red de pirámide de características mejorada (L-FPN) para una asignación de recursos optimizada.
• Propuso el detector BPD-YOLO que incorpora módulos de fusión de características asintóticas de doble fase (DAFF) y fusión de pirámide espacial profunda (DSPF).
• Implementó un mecanismo de integración semántica de extracción de características desacopladas (DEI) para la extracción de características adaptativas basada en la resolución del mapa de características.

Principales resultados:

• En el conjunto de datos de VisDrone, BPD-YOLO con L-FPN mejoró la mAP50 en un 2,8% y la mAP50-95 en un 1,4% en comparación con la línea de base de YOLOv8n + p2.
• BPD-YOLO demostró una extracción de características de alta resolución superior en el conjunto de datos TinyPerson.
• Los métodos propuestos redujeron significativamente los costos computacionales y mejoraron la precisión de la detección.

Conclusiones:

• Los mecanismos L-FPN, DAFF, DSPF y DEI abordan efectivamente los desafíos de la detección de objetos pequeños.
• BPD-YOLO ofrece una solución prometedora para la detección precisa y eficiente de objetos pequeños con demandas computacionales reducidas.