YOLO-GML:一种对象边缘增强检测模型,用于UAV在复杂环境中的空中图像

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 准确无人机 (UAV) 目标检测对于安全和救灾至关重要.
• 现实世界的条件,如恶劣的天气,目标尺度变化和背景杂乱,对现有的检测方法构成重大挑战.
• 由于这些复杂的因素,当前的系统在准确性和实时性能方面扎.

研究的目的:

• 开发一种高性能无人机目标探测系统,克服复杂环境中的局限性.
• 提高无人机目标检测的准确性和稳定性,特别是在恶劣的天气条件下.
• 为了提高检测精度和计算效率之间的平衡.

主要方法:

• 提出了一个全球边缘信息增强 (GEIE) 模块,以在各种特征尺度上融合边缘信息.
• 引入了多尺度边缘特征增强 (MEFE) 模块,以改善对多尺度特征的感知,特别是在恶劣的天气中.
• 根据YOLO11模型开发了一种轻量级分层共享卷积BN (LLSCB) 检测头,以提高精度和减少参数数量.

主要成果:

• 拟议的YOLO-GML检测器在AP50中取得了2.3%的改进,与YOLO11s相比,在HazyDet数据集上达到73.6%.
• 证明了优越的性能和比最先进的检测算法更好的准确性-效率平衡.
• 在SODA-A和VisDrone-2019数据集上展示了显著的性能增长,证实了该模型的概括能力.

结论:

• YOLO-GML有效地解决了无人机目标检测方面的挑战,特别是在复杂和不利的条件下.
• 拟议的模块 (GEIE,MEFE,LLSCB) 有助于增强特征表示和检测精度.
• 该模型为现实世界无人机应用提供了强大而高效的解决方案,证明了它在各种数据集中的通用性.