.png){kind=icon}
返回
MSAE–DETR: a multiscale adaptive-enhancement UAV small-object detection algorithm
.png){kind=icon}
PRE
AI
DOI：10.1088/1361-6501/ae441b.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在无人驾驶航空器（UAV）拍摄图像中检测小目标存在显著挑战，原因在于目标清晰度不足、环境背景复杂、目标排列密集以及计算能力受限。为解决这些问题，本研究提出了一种多尺度自适应增强检测变换器（MSAE–DETR），该检测框架融合了三项核心创新。首先，多尺度自适应特征提取模块采用双尺度自适应注意力机制和双域融合网络，通过可变形卷积和频域建模增强小目标特征提取。其次，双直方图空间重排注意力编码器引入双向直方图排序注意力机制，在有效捕捉精细特征的同时抑制背景干扰。第三，多尺度自适应增强金字塔结合空间信息保留机制、跨阶段自适应多核模块及自适应多核提取器，以提升特征保真度和多尺度融合效果。基于VisDrone2019基准的全面评估表明，MSAE–DETR达到竞争性结果，mAP50为50.7%，mAP50:95为31.1%，分别较RT–DETR基线提升3.4%和2.5%，同时参数量减少13.4%，并保持132.1帧/秒的实时推理速度。在TinyPerson和HIT–UAV基准上的额外验证进一步证实了该方法在不同小目标检测应用中具有一致的泛化性能。
Keyword:
small object detection
UAV images
multiscale feature enhancement
adaptive attention
real-time detection
期刊
IF:
3.4
论文数:
2.7K
被引数:
2.3W
机构
引用论文
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
OAAI
OAAI分享收藏A Hybrid Vehicle Detection Method Based on Viola-Jones and HOG plus SVM from UAV Images基于Viola-Jones和HOG + SVM的无人机图像混合车辆检测方法SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏The role of drones in disaster response: A literature review of operations research applicationsOAAI
OAAI分享收藏Vision-Based Detection and Distance Estimation of Micro Unmanned Aerial Vehicles基于视觉的微型无人机检测与距离估计SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏UAV-DETR: Efficient End-to-End Object Detection for Unmanned Aerial Vehicle ImageryUav-detr: 无人机图像的高效端到端目标检测
PREAI
分享收藏SF-DETR: A Scale-Frequency Detection Transformer for Drone-View Object DetectionSf-detr: 一种用于无人机视野目标检测的比例频率检测变压器SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏DV-DETR: Improved UAV Aerial Small Target Detection Algorithm Based on RT-DETRDv-detr: 基于rt-detr的改进无人机空中小目标检测算法SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏
查看更多内容