ACD-DETR:适应性跨尺度检测变压器用于无人机图像中的小物体检测

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 在无人机 (UAV) 图像中检测小物体存在重大挑战,原因是复杂的空中视角和难以检测有模糊边界的密集小目标.
• 现有的方法往往难以保存细粒度的细节,并有效地将边界信息与语义特征集成,从而限制检测性能.

研究的目的:

• 提出一种自适应端到端变压器探测器,ACD-DETR,专门设计以克服在无人机图像中检测小物体的挑战.
• 引入新型模块,增强特征融合,边界校准和空间推理,以提高检测精度和效率.
• 介绍一个融合增强的变体,ACD-DETR-SBA+,用于优先考虑检测精度而不是计算成本的场景.

主要方法:

• 拟议的ACD-DETR框架包含三个关键模块:用于细节保存的多尺度边缘增强特征融合模块 (MSEFM),用于边界意识的语义融合的全粒度边界校准器 (OG-BC),以及用于增强空间推理的基于注意力的动态位置偏差尺度内特征交互 (DPB-AIFI).
• 一种变体,ACD-DETR-SBA+,通过删除OG-BC和DPB-AIFI并集成密集连接的语义边界聚合 (SBA) 模块来加强边界语义融合.
• 这些模型在VisDrone2019和DOTA数据集上进行了评估.

主要成果:

• 在VisDrone2019数据集上,ACD-DETR实现了50.9%的mAP@0.5,超过RT-DETR-R18基线3.6个百分点,同时降低了18.5%的参数.
• ACD-DETR-SBA+变种进一步提高了准确度,达到52.0%mAP@0.5,证明了基于SBA的融合的有效性.
• 广泛的实验证实了ACD-DETR在准确性和效率之间提供了最先进的平衡,ACD-DETR-SBA+在更高的计算成本下提供了卓越的性能.

结论:

• 拟议的ACD-DETR框架通过其新的架构模块有效地解决了无人机图像中小型物体检测的挑战.
• 开发的模块,MSEFM,OG-BC和DPB-AIFI,对保存细节,增强边界意识和改进空间推理作出了重大贡献.
• ACD-DETR及其变体ACD-DETR-SBA+代表了基于无人机的对象检测的重大进步,为不同的精度和效率要求提供灵活的解决方案.