空中小型目标检测算法基于交叉规模分离注意力
Ju Liang1, Fan Wang2, Jia Chen1
1College of Computer Application, Guilin University of Technology, Guilin, Guangxi, China.
PloS one
|November 26, 2025
概括
这项研究介绍了UAS-YOLO,这是一种改进的算法,用于在无人机空中摄影中检测小型目标. 它增强了特征提取和融合,以克服诸如遮蔽和复杂的背景等挑战,显著提高了检测准确性.
科学领域:
- 计算机视觉和机器学习
- 人工智能用于航空成像.
背景情况:
- 无人机空中摄影对目标检测提出了挑战,包括多尺度目标,小物体流行,遮蔽和背景干扰.
- 像YOLOv11s这样的现有模型在特征提取,多尺度目标检测和处理封闭目标方面存在局限性.
研究的目的:
- 开发一个先进的无人机空中小型目标检测算法,UAS-YOLO,解决当前模型的局限性.
- 在无人机图像中改进细粒度特征提取,交叉尺度融合和阻塞性.
主要方法:
- 引入了自适应式双向特征金字塔网络 (ABiFPN),以增强跨尺度特征融合,为小目标动态调整权重.
- 整合了一个分离和增强关注模块 (SEAM),以专注于关键地区,并弥补封闭地区的信息丢失.
- 在C3K2_UIB模块中提出了通用倒置瓶 (UIB) 结构,以有效选择功能和抑制背景噪声.
主要成果:
- 在VisDrone2019数据集上,UAS-YOLO在平均平均精度 (mAP) 上实现了4.9个百分点的增长.
- 该算法在TinyPerson数据集上显示了2.1个百分点的mAP改进.
- 与现有的先进算法相比,在复杂的无人机场景中表现出卓越的性能.
结论:
- 拟议的UAS-YOLO算法有效地解决了无人机空中摄影中小目标检测的挑战.
- 集成ABiFPN,SEAM和UIB模块显著提高了检测准确性和稳定性,防止阻塞和背景干扰.
