无人机-DETR:高效的小物体检测用于远程传感图像使用增强的RT-DETR模型.
Yaning Kong1, Xiangfeng Shang1, Shijie Jia1
1College of Computer and Communication Engineering, Dalian Jiaotong University, Dalian 116028, China.
Sensors (Basel, Switzerland)
|September 14, 2024
概括
无人机-DETR模型通过改进小物体识别和减少计算负载来增强无人机对象检测. 这种轻量级模型在复杂的遥感图像上实现了卓越的精度.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器人技术 机器人技术 机器人技术
背景情况:
- 无人驾驶飞行器 (UAV) 需要高效的物体检测,用于诸如遥感等任务.
- 当前的嵌入式无人机系统难以平衡速度和准确性,特别是在小型,重叠或复杂的背景对象中.
- 高精度遥感图像分析为机载无人机处理带来了重大计算挑战.
研究的目的:
- 为无人机开发一种先进的物体检测模型,其精度和效率都卓越.
- 专门解决在复杂的超广角遥感图像中检测大量小物体的挑战.
- 为了创建一个适合资源有限的嵌入式无人机系统的轻量级而强大的模型.
主要方法:
- 引入了无人机DETR模型,这是RT-DETR的改编,结合了有效小物体检测网络 (ESDNet).
- 开发了增强的双路特征融合注意模块 (EDF-FAM),以提高多尺度物体检测能力.
- 集成了一个动态的竞争性学习策略和P2浅特征层,以增强特征融合,特别是对于小物体.
主要成果:
- 无人机-DETR模型在VisDrone2019数据集上实现了53.9% (mAP^50) 的平均平均精度 (mAP).
- 该模型仅使用2870万个参数,证明了轻量级的架构.
- 与RT-DETR-R18基线相比,实现了8.1%的性能提升.
结论:
- 无人机DETR在基于无人机的物体检测方面取得了重大进展,特别是在小型和具有挑战性的目标上.
- 拟议的ESDNet和EDF-FAM模块有效地改善了复杂图像中的多尺度和小物体的处理.
- 该模型为无人机上的高精度遥感应用提供了强大而高效的解决方案.


