LPAE-YOLOv8:通过LSE-Head和自适应注意力轻量级空中小型物体检测
Yi Zhao1,2, Guiping Chen3,4,5,6
1Guizhou Key Laboratory of Advanced Computing, Guizhou Normal University, Guiyang, 550001, China.
Scientific reports
|December 29, 2025
概括
这项研究介绍了LPAE-YOLOv8,一种用于检测无人机图像中小物体的轻量级模型,显著提高了准确性并减少了模型大小. 增强型号平衡了实际无人机应用的性能和效率.
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:
- 传统的YOLOv8在无人机图像中难以检测小物体,原因是精度低,计算要求高.
- 无人机硬件的局限性需要轻量级的模型,以减少空中监视的尺寸和复杂性.
研究的目的:
- 开发一个改进的轻量级检测模型,LPAE-YOLOv8,专门用于无人机空中图像中增强的小物体检测.
- 解决现有模型在准确性,背景干扰和模型冗余性方面的局限性.
主要方法:
- 引入了一种新的LSE-Head检测头,以优化参数计数和界限框准确度.
- 通过删除大对象层并添加小对象检测层来修改网络结构.
- 实现了改进的EfficiCIoU损失功能和ACMConv模块与CMUNeXtBlock和自适应注意力,以更好地感知小物体.
主要成果:
- LPAE-YOLOv8在VisDrone2019 (mAP@0.5+16.9%,mAP@0.5:0.95到21.3%) 和TinyPerson (mAP@0.5从14.4%到18.7%) 上取得了显著的改进.
- 模型参数减少了34.5%,至1.97M,证明了轻量级的设计.
- 废弃和比较实验证实了单个模块和整体模型的有效性和效率.
结论:
- 在无人机图像中,LPAE-YOLOv8为小型物体检测提供了精度,复杂性和推断效率的卓越平衡.
- 拟议的模型在需要精确的空中监视的现实世界无人机应用中展示了实际价值和有效性.
