用于无人机航空影像中小目标检测的轻量级多尺度特征融合

《Applied Sciences》:Lightweight Multiscale Feature Fusion for Small-Object Detection in UAV Aerial Imagery

【字体: 大 中 小 】 时间:2026年08月27日 来源:Applied Sciences 2.5

编辑推荐:

  无人机(UAV)影像支持智能监视、环境监测、交通管理和基础设施检查。然而,当物体较小、密集且以明显不同的尺度被观测时,航空检测变得困难。背景杂乱和光照变化进一步削弱目标线索并损害定位。研究人员因此提出HD-YOLO,一种用于UAV影像中小目标的轻量级多尺度检测

  
无人机(UAV)影像支持智能监视、环境监测、交通管理和基础设施检查。然而,当物体较小、密集且以明显不同的尺度被观测时,航空检测变得困难。背景杂乱和光照变化进一步削弱目标线索并损害定位。研究人员因此提出HD-YOLO,一种用于UAV影像中小目标的轻量级多尺度检测器。其多扩张共享卷积核(DSCK)通过共享扩张卷积核提取局部纹理和上下文信息。混合扩张双向特征金字塔网络(HDFPN)在双向聚合之前重建全局和局部线索,使高分辨率证据能够到达预测层。高效精简头(ES-Head)将共享操作与差分卷积相结合,以降低成本并增强边界敏感特征。联合ShapeIoU和归一化Wasserstein距离损失改进了对小型不规则物体的回归。这些组件共同减少了密集杂乱场景中的漏检,而不依赖大模型容量。在VisDrone2019上,HD-YOLO相比YOLOv8n将精确率、召回率、mAP50和mAP50:95分别提高了6.9%、7.2%、8.2%和5.2%,同时将参数从3.0 M减少到0.9 M。在TinyPerson和HIT-UAV上的评估也支持其对微小行人和红外航空目标的有效性。因此,HD-YOLO以紧凑的参数足迹改进了小目标检测,而直接的硬件基准测试仍然是确定部署效率所必需的。
无人机(UAV)遥感为智能监控、环境监测、交通管理和基础设施检查提供了重要支撑。然而,航空影像中的目标通常尺寸小、分布密集且尺度差异显著,背景杂乱和光照变化进一步削弱了目标线索,导致检测和定位困难。目前主流检测器分为两阶段和单阶段两类:两阶段检测器精度高但计算开销大,难以满足UAV实时处理需求;单阶段检测器速度较快,但在小目标、遮挡和复杂背景下容易丢失细节。已有改进工作多聚焦于特征增强或模型轻量化,但往往只优化单一维度,未能同时兼顾精度、效率和鲁棒性。为此,研究人员提出了HD-YOLO这一轻量级多尺度检测器。

HD-YOLO基于YOLOv8n进行改进,包含四个互补组件:多扩张共享卷积核(DSCK)模块、混合扩张双向特征金字塔网络(HDFPN)、高效精简头(ES-Head)以及ShapeIoU与归一化Wasserstein距离(NWD)联合损失。在VisDrone2019、TinyPerson和HIT-UAV数据集上的实验表明,HD-YOLO在参数大幅减少的同时显著提升了小目标检测精度。该工作已发表于《Applied Sciences》,为无人机小目标检测提供了参数高效的解决方案,同时揭示了FLOPs与部署效率之间的权衡。

研究人员使用的主要技术方法包括:在主干网络插入DSCK,通过共享不同扩张率的卷积核提取局部纹理和上下文信息;设计HDFPN,截断P5下采样并引入P2高分辨率特征层,结合HDSA模块进行全局-局部特征重建;采用
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号