.png){kind=icon}
返回
Frequency-Guided Cross-Scale Refinement Network for UAV Detection
.png){kind=icon}
OA
AI
DOI：10.3390/rs18183096.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，无人机的使用日益广泛，未经授权的无人机飞行所引发的安全风险日益突出，亟需对无人机目标进行有效检测与识别。然而，此类目标尺寸小、对比度低且信噪比极低；常规检测方法在复杂背景下普遍存在特征区分不足、漏检和虚警等问题。为解决这些挑战，本文提出了一种频域引导跨尺度精炼网络（FGCR-Net）。基于编码-解码架构，该网络通过跨层特征融合、侧通道预测精炼和频域背景抑制实现端到端的协同优化。首先，设计了一种多路径选择性跨层融合模块（SCFM），该模块通过通道与空间路径的协同建模，并辅以可学习系数的自适应加权，对编码器的精细特征和解码器的语义特征进行差异化选择性融合，从而弥合跳跃连接中的语义鸿沟；其次，设计了跨尺度自适应融合增强注意力模块（CAFEM），其级联多感受野空洞卷积、条带池化和双向语义引导机制，对解码器各层的侧输出进行跨尺度精炼，从而缓解多尺度预测图质量不一致导致的边界模糊和虚警问题以及跨层一致性不足的问题；最后，设计了频域引导语义增强模块（FGSEM），利用快速傅里叶变换（FFT）将编码器特征解耦至频域。通过利用低频能量预测背景置信图，并对高频分量施加空间选择性抑制，该模块从频域视角区分了空间域中高度相似的目标与复杂背景的高频响应。在自建的多场景小目标无人机数据集MSDS-UAV上的实验表明，本文方法在多项性能指标上均优于现有最先进方法，像素准确率、平均交并比和检测概率分别达到92.76%、70.91%和92.69%；与基线模型相比，上述三项指标分别提升了1.90、3.20和3.76个百分点，充分验证了所提方法的有效性和优越性。
Keyword:
UAV detection
dim small target segmentation
cross-layer feature fusion
cross-scale refinement
期刊
IF:
4.1
论文数:
7.4K
被引数:
15.1W
机构
引用论文
Path Planning for Unmanned Aerial Vehicle: A-Star-Guided Potential Field Method无人机路径规划：基于A-Star引导的势场方法.png)
drones
OAAI
dronesIF0
OAAI分享收藏FusionMamba: dynamic feature enhancement for multimodal image fusion with MambaFusionMamba：基于Mamba的多模态图像融合动态特征增强OAAI
OAAI分享收藏分享收藏Multi-scale context UNet-like network with redesigned skip connections for medical image segmentation具有重新设计的跳过连接的多尺度上下文类UNet网络，用于医学图像分割
PREAI
分享收藏A lightweight small object detection model for UAV images based on deep semantic integration基于深度语义集成的小型无人机图像轻量级小目标检测模型
PREAI
分享收藏
查看更多内容