.png){kind=icon}
返回
Lightweight Airborne Vision Abnormal Behavior Detection Algorithm Based on Dual-Path Feature Optimization
.png){kind=icon}
PRE
AI
DOI：10.32604/cmc.2025.071071.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
针对无人机 aerial image 目标检测算法中检测精度与算法模型轻量化的不平衡问题，设计了一种基于改进 YOLOv11n 的轻量级多类别异常行为检测算法。通过集成多头分组自注意力机制和 Partial-Conv，设计了双向特征分组融合模块（DFPF），进行了有效的通道分割与融合策略以减少冗余计算和内存访问。改进了 C3K2 模块，并采用非结构化剪枝和特征蒸馏技术。该算法模型轻量化，强化了空中视觉异常行为目标的特征提取能力，提高了模型计算效率。最后，在 VisDrone2019 数据集上测试了基线模型和改进模型的泛化能力。结果表明，与基线模型相比，改进模型在空中视觉异常行为数据集上的检测精度从 90.2% 提升至 94.8%，模型参数减少 50.9%，满足高效高精度检测要求。改进模型在 Vis-Drone2019 公开数据集上的检测精度比基线模型高 1.3%，验证了本文改进方法的有效性。
Keyword:
YOLOv11 algorithm
multi-class abnormal behavior detection
feature extraction
UAV aerial photography datasets
