GAME-YOLO:全球关注和多层次增强低可见度无人机探测与子像素定位

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:

• 在低可见性条件下,很难检测低高度,低速度,小型 (LSS) 无人机.
• 内在传感器数据的不确定性和对象外观的变化挑战了当前的检测方法.

研究的目的:

• 开发一种新型探测器,GAME-YOLO,增强小型无人机的感知和低可见度下的子像素定位.
• 将贝叶斯启发的概率推理与注意力和多尺度增强相结合,以改进检测.

主要方法:

• 游戏YOLO建立在YOLOv11上,结合了可视性恢复前端,全球注意力增强的骨干和自适应的多尺度融合.
• 功能包括一个分像素感知小物体检测头 (SOH) 和一个与焦点损失相结合的形状感知 IoU 损失.
• 概率推断提高了隐藏图像的清晰度,并执行了情境感知特征选择.

主要成果:

• 在LSS2025-DET数据集上,GAME-YOLO实现了52.0% AP@50和32.0% AP@[0.50:0.95]的最先进的性能.
• 它的表现明显超过了LEAF-YOLO和YOLOv11等基线,在AP@50.5中显示了+10.5个点的改善.
• 该模型在48 FPS和7.6 M参数下有效运行,并且在VisDrone-DET2021数据集上表现出强大的概括性.

结论:

• GAME-YOLO为基于视觉的无人机监视提供了实用和可靠的解决方案.
• 该框架有效地将决定性探测器的效率与贝叶斯推理的稳定性相结合.
• 这种方法显著提高了在具有挑战性的低可见性场景中检测小型无人机的性能.