返回
Aerial small target detection algorithm based on cross-scale separated attention
DOI:10.1371/journal.pone.0337318.png)
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
IF:
2.6
论文数:
2.6W
被引数:
81.6W
机构
引用论文
YOLO-GML: an object edge enhancement detection model for UAV aerial images in complex environmentsYOLO-GML:复杂环境下无人机航空图像的目标边缘增强检测模型
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的r-cnn: 基于区域建议网络的实时目标检测
LMAD-YOLO: A vehicle image detection algorithm for drone aerial photography based on multi-scale feature fusionXing, X.; Luo, F.; Wan, L.; Lu, K.; Peng, Y.; Tian, X. LMAD-YOLO:一种基于多尺度特征融合的无人机航拍车辆图像检测算法。PLoS ONE 2025, 20, e0328248. [Google Scholar] [CrossRef]
PLOS One
IF0
YOLO-FaceV2: A scale and occlusion aware face detectorYOLO-FaceV2: 一种尺度和遮挡感知人脸检测器
PATTERN RECOGNITION
IF7.6
LCFF-Net: A lightweight cross-scale feature fusion network for tiny target detection in UAV aerial imageryLCFF-Net:一种轻量级跨尺度特征融合网络,用于UAV航空影像中的微小目标检测
PLOS ONE
IF2.6
FAGNet: Multi-Scale Object Detection Method in Remote Sensing Images by Combining MAFPN and GVRFAGNet:一种结合MAFPN和GVR的遥感图像多尺度目标检测方法
没有更多内容

