LMAD-YOLO: 一种用于无人机空中摄影的车辆图像检测算法,基于多尺度特征融合
Xue Xing1, Fahui Luo1, Le Wan1
1School of Information and Control Engineering, Jilin University of Chemical Technology, Jilin City, China.
PloS one
|July 15, 2025
概括
本研究介绍了LMAD-YOLO模型,用于改进无人机 (UAV) 小目标车辆检测. 该模型增强了特征捕获,减少了错过的检测,优于现有方法.
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:
- 从无人机中检测小型车辆是具有挑战性的,因为目标大小小小,环境噪音和密集的物体发生,导致错过检测.
- 现有的模型在有效的特征提取和区分小目标与复杂背景方面扎.
研究的目的:
- 提出一个改进的模型,LMAD-YOLO,用于在无人机图像中增强小型目标车辆检测.
- 解决当前小目标检测方法在特征提取,噪声干扰和检测精度方面的局限性.
主要方法:
- LMAD-YOLO模型包含一个MultiEdgeEnhancer模块,用于边缘信息增强和功能捕获.
- 它使用多尺度感知融合 (MSPF) 模块 (结合大型可分离内核注意力和SPPF) 进行多尺度感知聚合.
- 一个Adown模块取代了传统的采样以减少复杂性,一个多维扩散融合金字塔网络与Dasi和特征扩散机制融合了特征.
主要成果:
- 与YOLO11n模型相比,LMAD-YOLO模型显示了无人机车辆数据集的显著改进,精度,回忆和MAP50分别增加了2.4%,1.4%和2.2%.
- 该模型在VisDrone数据集上表现出强大的性能和良好的概括能力.
结论:
- 拟议的LMAD-YOLO模型通过改进特征提取和融合,有效地提高了无人机图像中的小型目标车辆检测.
- 新型模块有助于减少错误检测和计算复杂性,为空中监视应用提供更准确,更有效的解决方案.
