LPAE-YOLOv8: detección ligera de objetos pequeños aéreos a través de LSE-Head y atención adaptativa

Área de la Ciencia:

• Visión por Computadora
• Inteligencia Artificial
• Robótica

Sus antecedentes:

• El YOLOv8 tradicional tiene dificultades con la detección de objetos pequeños en imágenes de drones debido a la baja precisión y las altas demandas computacionales.
• Las limitaciones de hardware de los drones exigen modelos ligeros con tamaño y complejidad reducidos para la vigilancia aérea.

Objetivo del estudio:

• Desarrollar un modelo de detección ligero mejorado, LPAE-YOLOv8, específicamente para la detección mejorada de objetos pequeños en imágenes aéreas de drones.
• Abordar las limitaciones de los modelos existentes en cuanto a precisión, interferencia de fondo y redundancia del modelo.

Principales métodos:

• Se introdujo un novedoso cabezal de detección LSE-Head para optimizar el recuento de parámetros y la precisión de la caja delimitadora.
• Se modificó la estructura de la red eliminando la capa de objetos grandes y agregando una capa de detección de objetos pequeños.
• Se implementó una función de pérdida EfficiCIoU mejorada y un módulo ACMConv con CMUNeXtBlock y Atención Adaptativa para una mejor percepción de objetos pequeños.

Principales resultados:

• LPAE-YOLOv8 logró mejoras significativas en VisDrone2019 (mAP@0.5 +16.9%, mAP@0.5:0.95 a 21.3%) y TinyPerson (mAP@0.5 de 14.4% a 18.7%).
• Redujo los parámetros del modelo en un 34.5% a 1.97 M, demostrando un diseño ligero.
• Los experimentos de ablación y comparativos confirmaron la efectividad y eficiencia de los módulos individuales y del modelo general.

Conclusiones:

• LPAE-YOLOv8 ofrece un equilibrio superior de precisión, complejidad y eficiencia de inferencia para la detección de objetos pequeños en imágenes de drones.
• El modelo propuesto demuestra valor práctico y efectividad para aplicaciones de drones del mundo real que requieren una vigilancia aérea precisa.