无人机空中目标检测方法采用多分支卷积和注意力改进的C2F模块
Fangyuan Qin1, Weiwei Tang1, Haishan Tian1
1School of Physics and Electronics, Hunan Normal University, Changsha 410081, China.
Sensors (Basel, Switzerland)
|October 16, 2025
概括
这项研究引入了一种改进的目标检测算法,用于无人机图像中的小物体. 这种新的方法增强了特征提取和融合,大大提高了对具有挑战性的数据集的检测准确性.
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:
- 在无人驾驶飞行器 (UAV) 图像中检测小目标,由于分辨率和尺度变化有限,因此存在重大挑战.
- 现有的目标检测算法往往难以有效地提取和融合用于识别微小物体的关键特征.
研究的目的:
- 开发一个增强的目标检测网络算法,专门设计用于无人机应用中精确识别小目标.
- 为了提高特征提取,融合和注意力机制的效率和有效性,用于小物体检测.
主要方法:
- 提出了一种跨阶段的部分融合瓶,采用两个卷积 (C2F) 模块,集成部分卷积 (PConv) 层,以高效地提取特征.
- 实现了一个结合多尺度特征融合与通道空间注意力机制的子网络.
- 引入了一个FA-Block模块来增强特征融合和对小目标的关注,增加微小目标层的特征丰富性.
- 利用内容意识重组特征 (CARAFE) 运算符进行轻量化采样,以扩大网络的接收场.
主要成果:
- 在山地行人数据集中,改进的算法实现了mAP50的2.8%,mAP50-95的3.5%,精度的2.3%,回忆的0.2%.
- 在VisDrone数据集上,与基础算法相比,该算法在mAP50增加了9.2%,mAP50-95增加了6.4%,精度增加了7.7%,回忆增加了7.6%.
结论:
- 拟议的多分支卷积和注意力改进的C2F模块有效地提高了无人机图像中的小目标检测.
- 集成先进的特征融合和注意力机制,以及轻量化增量采样,显著提高了对基准数据集的检测性能.
