.png){kind=icon}
返回
Dense small target detection algorithm for UAV aerial imagery
.png){kind=icon}
PRE
AI
DOI：10.1016/j.imavis.2025.105485.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无人驾驶航空器（UAV）航拍图像由于复杂背景、广域视场中的小目标尺寸、低分辨率以及目标密集分布等特点，使得密集小目标检测面临挑战。为提升密集小目标检测能力，已提出多种航拍目标检测网络和基于注意力机制的方法，但仍存在有效信息提取不足、小目标漏检和误检等问题。因此，本文提出了一种适用于各种高海拔复杂环境的无人驾驶航空器航拍图像密集小目标检测算法（DSTDA）。该算法的核心组件包括多轴注意力单元、自适应特征转换机制和目标引导的样本分配策略。首先，通过将多轴注意力单元引入DSTDA，解决了算法在全局信息感知方面的局限性，从而能够充分提取远处小目标的细节特征和空间关系。其次，设计自适应特征转换机制，根据目标分布特征灵活调整特征图，使DSTDA更关注密集目标区域。最后，提出目标导向的样本分配策略，结合基于位置信息的粗筛和基于目标预测信息的精筛。通过这种由粗到细的动态样本分配，进一步提升了复杂背景下小且密集目标的检测性能。上述创新改进赋予DSTDA更强的全局感知和目标聚焦能力，有效解决了复杂航拍场景中密集小目标检测的挑战。实验验证在VisDrone、SIMD和CARPK三个公开数据集上进行，结果表明所提DSTDA算法在综合性能上优于其他当前最优算法。该算法显著改善了无人机目标检测中的误报和漏检问题，展现出卓越的准确性和实时性能，证明了其在无人机场景下密集小目标检测任务中的高效性。
Keyword:
Unmanned aerial vehicle
Aerial imagery
Small target detection
Attention mechanism
Intensive targets
期刊
IF:
4.2
论文数:
4.1K
被引数:
6.7K
机构
暂无机构信息
引用论文
VisDrone-DET2021: The Vision Meets Drone Object detection Challenge ResultsVisDrone-DET2021: 视觉符合无人机目标检测挑战结果
PREAI
分享收藏YOLO-DA: An Efficient YOLO-Based Detector for Remote Sensing Object DetectionYolo-da: 一种高效的基于YOLO的遥感目标检测检测器
PREAI
分享收藏Drone-YOLO: An Efficient Neural Network Method for Target Detection in Drone Images无人机-YOLO: 一种高效的无人机图像目标检测神经网络方法.png)
DRONES
OAAI
DRONESIF4.8
OAAI分享收藏
查看更多内容