
-
生物通官微
陪你抓住生命科技
跳动的脉搏
DAA-YOLOv8s:面向无人机图像极小车辆检测的下采样感知轻量化目标检测框架
《Scientific Reports》:DAA-YOLOv8s with downsampling aware high resolution fusion for real time tiny vehicle detection in UAV imagery
【字体: 大 中 小 】 时间:2026年10月01日 来源:Scientific Reports 4.9
编辑推荐:
摘要由于严重的尺度变化、密集的目标分布、多样的观察方向以及反复下采样导致的细粒度空间信息丢失,在无人机图像中检测极小车辆仍然具有挑战性。为解决这些限制,我们提出了DAA-YOLOv8s(面向YOLOv8s的下采样感知架构),这是一种轻量级检测框架,通过显式保留高分辨率空间信息
由于严重的尺度变化、密集的目标分布、多样的观察方向以及反复下采样导致的细粒度空间信息丢失,在无人机图像中检测极小车辆仍然具有挑战性。为解决这些限制,我们提出了DAA-YOLOv8s(面向YOLOv8s的下采样感知架构),这是一种轻量级检测框架,通过显式保留高分辨率空间信息,以改善航拍场景中的微小目标定位能力。所提出的模型集成了多感受野下采样(MRFD)模块、C2f-部分残差瓶颈(C2f-PRB)以及高分辨率再平衡融合(HRRF)颈部结构,以保留互补的空间线索,减少冗余计算,并增强高分辨率多尺度特征表示。通过在\(160\times 160\)、\(80\times 80\)和\(40\times 40\)的特征图上运行检测头,该框架保留了细粒度的结构和边界信息,从而支持在变化的观察方向、尺度和部分遮挡条件下对车辆进行可靠定位。在VisDrone2019-DET数据集上的实验结果表明,DAA-YOLOv8s实现了52.70%的mAP@50和32.20%的mAP@50–95,相比基线YOLOv8s分别提升了11.10和7.60个百分点。同时,所提出的模型将参数量从11.13M减少到3.29M,降幅约为70.4%,同时保持了相近的计算复杂度,GFLOPs从28.70略微降低至28.60。在实时部署中,DAA-YOLOv8s实现了11.8841毫秒的端到端延迟和84.15 FPS的吞吐量,超过了部署实验中使用的25 FPS输入流。这些结果表明,下采样感知设计在微小目标定位能力、模型紧凑性和实际实时推理之间提供了有利的平衡。此外,DAA-YOLOv8s在VEDAI数据集上实现了80.89%的mAP@50和57.50%的mAP@50–95,在航拍车辆检测基准上提供了额外的验证。总体而言,所提出的框架为无人机图像中的极小车辆检测提供了一种高效的架构,具有应用于实时空中监控和智能交通系统的潜力。