基于注意力机制和空洞卷积的无人机图像目标检测.pdfVIP

第４２卷第２期计算机应用与软件Ｖｏｌ４２Ｎｏ．２

２０２５年２月ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅＦｅｂ．２０２５

基于注意力机制和空洞卷积的无人机图像目标检测

１１２

赖勤波马正华朱蓉

１（常州大学计算机与人工智能学院、阿里云大数据学院江苏常州２１３０００）

２（嘉兴南湖学院信息工程学院浙江嘉兴３１４００１）

摘要针对现有无人机图像目标检测算法存在小目标检测精度低、多尺度目标漏检等问题，提出一种基于通

道注意力机制和并行结构空洞卷积特征融合的无人机图像目标检测算法。该算法在ＲｅｓＮｅｔ５０特征提取网络中

引入ＳＥＮｅｔ和ＰＳＤＣＦＦＮ，从通道和感受野两个层面提高算法的特征表达能力，并使用ＲＯＩＡｌｉｇｎ代替ＲＯＩＰｏｏ

ｌｉｎｇ，基于ＫＭｅａｎｓ重新设计ＲＰＮ（ＲｅｇｉｏｎＰｒｏｐｏｓａｌＮｅｔｗｏｒｋｓ）锚框尺寸，减小目标回归过程的坐标偏差。实验表

明，该算法能够提升无人机图像目标检测精度，在ＲＳＯＤＤａｔａｓｅｔ和无人机图像数据集上，ｍＡＰ分别达到９２．５２％

和９８．０７％。

关键词无人机图像ＦａｓｔｅｒＲＣＮＮ注意力机制空洞卷积特征融合目标检测

中图分类号ＴＰ３９１文献标志码ＡＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００３８６ｘ．２０２５．０２．０３１

ＵＡＶＩＭＡＧＥＯＢＪＥＣＴＤＥＴＥＣＴＩＯＮＢＡＳＥＤＯＮＡＴＴＥＮＴＩＯＮ

ＭＥＣＨＡＮＩＳＭＡＮＤＤＩＬＡＴＥＤＣＯＮＶＯＬＵＴＩＯＮ

１１２

ＬａｉＱｉｎｂｏＭａＺｈｅｎｇｈｕａＺｈｕＲｏｎｇ

１（ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒａｎｄＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ，ＡｌｉｙｕｎＳｃｈｏｏｌｏｆＢｉｇＤａｔａ，ＣｈａｎｇｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｚｈｏｕ２１３０００，Ｊｉａｎｇｓｕ，Ｃｈｉｎａ）

２（ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＪｉａｘｉｎｇＮａｎｈｕＵｎｉｖｅｒｓｉｔｙ，Ｊｉａｘｉｎｇ３１４００１，Ｚｈｅｊｉａｎｇ，Ｃｈｉｎａ）

ＡｂｓｔｒａｃｔＴｈｅｅｘｉｓｔｉｎｇＵＡＶｉｍａｇｅｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｓｓｕｆｆｅｒｔｈｅｐｒｏｂｌｅｍｓｏｆｌｏｗｄｅｔｅｃｔｉｏｎａｃｃｕｒａｃｙｏｎｓｍａｌｌ

ｏｂｊｅｃｔｓａｎｄｍｉｓｓｅｄｄｅｔｅｃｔｉｏｎｏｆｍｕｌｔｉｓｃａｌｅｏｂｊｅｃｔｓ．ＡＵＡＶｉｍａｇｅｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｃｈａｎｎｅｌａｔｔｅｎｔｉｏｎ

ｍｅｃｈａｎｉｓｍａｎｄｐａｒａｌｌｅｌｓｔｒｕｃｔｕｒｅｄｉｌａｔｅｄｃｏｎｖｏｌｕｔｉｏｎｆｅａｔｕｒｅｆｕｓｉｏｎｉｓｐｒｏｐｏｓｅｄｔｏｏｖｅｒｃｏｍｅｔｈｅｓｅｐｒｏｂｌｅｍｓ．Ｉｎｏｒｄｅｒｔｏ

ｉｍｐｒｏｖｅｔｈｅｆｅａｔｕｒｅｅｘｐｒｅｓｓｉｏｎａｂｉｌｉｔｙｏｆｔｈｅａｌｇｏｒｉｔｈｍｆｒｏｍｃｈａｎｎｅｌａｎｄｒｅｃｅｐｔｉｖｅｆｉｅｌｄ，ｗｅｒｅｄｅｓｉｇｎｅｄｔｈｅＲｅｓＮｅｔ５０ｖｉａ

ａｄｄｉｎｇｔｈｅＳＥＮｅｔａｎｄＰＳＤＣＦＦＮｔｏｔｈｅｂａｃｋｂｏｎｅ．ＷｅｕｓｅｄＲＯＩＡｌｉｇｎａｎｄｒｅｄｅｓｉｇｎｅｄｔｈｅＲＰＮａｎｃｈｏｒｓｉｚｅｖｉａＫＭｅａｎｓ

ｔｏｒｅｄｕｃｅｔｈｅｃｏｏｒｄｉｎａｔｅｄｅｖｉａｔｉｏｎｉｎｔｈｅｏｂｊｅｃｔｒｅｇｒｅｓｓｉｏｎｐｒｏｃｅｓｓ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄ

ａｌｇｏｒｉｔｈｍｃａｎｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎｉｎＵＡＶｉｍａｇｅｓ．ＯｎＲＳＯＤＤａｔａｓｅｔａｎｄＵＡＶｉｍａｇｅｄａｔａｓｅｔｓ，ｔｈｅ

ｍＡＰｏｆｔｈ