arrow
返回

Aerial small target detection algorithm based on cross-scale separated attention

delete2025-11-26
delete0
PRE
AI
J
J. F. Liang
F
Fan Wang *
陈佳 封面图
陈佳 (Jia Chen)
H
Haiyan Huang
Z
Z. L. Dou
DOI:10.1371/journal.pone.0337318delete
delete原文链接
delete原文求助
delete分享
delete收藏
摘要

摘要

En 中文
在UAV航拍场景中,目标表现出多尺度分布、小目标占比高、遮挡复杂及背景干扰强等特点。这些特点对检测算法在精细特征提取、跨尺度融合能力及抗遮挡性方面提出了高要求。YOLOv11s模型在实际应用中存在显著局限性:其特征提取模块语义表示单一,传统特征金字塔网络对多尺度目标的检测能力有限,且在目标遮挡时缺乏有效的特征补偿机制。为解决这些问题,我们提出了一种名为UAS-YOLO(基于通用倒置瓶颈与自适应BiFPN及分离增强注意力模块的YOLO)的UAV航拍小目标检测算法,该算法包含三项关键优化。首先,设计自适应双向特征金字塔网络(ABiFPN)作为Neck结构。通过跨尺度连接与动态加权融合,ABiFPN根据目标尺度特征调整权重分配,聚焦增强小目标相关尺度的特征集成,提升多尺度特征表示能力。其次,引入分离增强注意力模块(SEAM)替换原SPPF模块。该模块聚焦关键目标区域,增强无遮挡区域的有效特征响应,并针对性补偿遮挡区域的特征信息损失,从而提升遮挡小目标的检测稳定性。第三,提出通用倒置瓶颈(UIB)结构,与C3K2模块融合形成C3K2_UIB模块。通过动态通道注意力与空间特征重校准,C3K2_UIB抑制背景噪声;尽管参数量增加34%,但通过高效特征选择提升检测精度,在精度与复杂度间取得平衡。实验结果表明,在VisDrone2019数据集及Kaggle的TinyPerson数据集上,本算法的mAP分别提升4.9和2.1个百分点。此外,相较于现有先进算法,本算法展现出更大优势,有效解决了复杂UAV场景下的小目标检测难题。
Keyword:
UAV aerial photography
small target detection
cross-scale feature fusion
occlusion resistance
attention mechanism

期刊

PLoS One 封面图
PLoS One
IF:
2.6
论文数:
2.6W
被引数:
81.6W

机构

G
Guilin University of Technology
学者数:
9.3K
论文数: 5.5K
被引数: 6.8K
L
lanzhou jiaotong university
学者数:
2.6K
论文数: 802
被引数: 0
引用论文

引用论文

YOLO-FaceV2: A scale and occlusion aware face detectorYOLO-FaceV2: 一种尺度和遮挡感知人脸检测器
err2024-11-01
err33
errOAAI
errYu, Ziping; Huang, Hongbo; Chen, Weijun; Su, Yongxin; Liu, Yahui; Wang, Xiuying
err分享
err收藏
Aligned Matching: Improving Small Object Detection in SSD
errSENSORS
IF3.5
err2023-02-26
err13
errOAAI
errKang, Seok-Hoon; Park, Joon-Sang
err分享
err收藏
没有更多内容