重新思考适应性上下文信息和多尺度特征融合,用于无人机图像中的小物体检测
Chang Liu1,2, Yong Wang1, Qiang Cao1
1Intelligent Manufacturing and Automobile School, Chongqing Polytechnic University of Electronic Technology, Chongqing 401331, China.
Sensors (Basel, Switzerland)
|December 11, 2025
概括
我们开发了YOLO-DMF,这是一个用于在无人机图像中检测小物体的新框架. 这种方法显著提高了准确性,并通过增强小目标的特征表示和信息融合来减少错误警报.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器人技术 机器人技术 机器人技术
背景情况:
- 在无人机 (UAV) 图像中检测小物体是具有挑战性的,原因是特征表现不佳,背景噪音和小目标大小.
- 现有的检测算法在基于无人机的场景中经常受到低准确度,错过的检测和错误报警的影响.
研究的目的:
- 提出YOLO-DMF,这是一个针对无人机图像中小型物体检测的新型检测框架.
- 增强特征提取和信息融合,以在复杂的空中场景中改进小物体识别.
主要方法:
- 引入了细节语义自适应融合 (DSAF) 模块,以增强小型对象的浅细节和深度语义特征.
- 实施了多级残余空间注意力 (MSRSA) 机制,以提高对混乱和精确定位的稳定性.
- 开发了一种特征金字塔再利用和融合网络 (FPRFN),配备专用检测头,可提高对小物体和微小物体的灵敏度.
主要成果:
- 在VisDrone2019数据集上,YOLO-DMF在最先进的轻量级模型上表现出卓越的性能.
- 与YOLOv8s相比,实现了3.9%的mAP@0.5和2.5%的mAP@0.5:0.95的改进,参数减少了66.67%.
- 在RK3588 NPU上实时推断速度为34.1 FPS,在AI-TOD和WAID数据集上验证了概括.
结论:
- 通过创新的功能融合和注意力机制,YOLO-DMF有效地解决了无人机图像中小物体检测的挑战.
- 拟议的框架为实际无人机应用中实时,准确的小物体检测提供了一个有希望的解决方案.
