无人机视角下的小目标检测方法研究.pdfVIP

摘要

无人机（UnmannedAerialVehicle,UAV）是信息化时代的新型技术产物，它涉及

数据采集、智能控制、信息处理、通信等多项相关技术，其中的关键技术之一是目标

检测，这一技术对于在军事、道路交通等领域应用的无人机而言具有重要的应用价值。

目标检测的主要任务是在图像中准确定位感兴趣的目标，然而，由于无人机航拍图像

中目标通常较小且分布密集，目标定位变得困难，常规的检测网络在无人机航拍图像

上的精度下降，常出现误检和漏检的问题。针对目前卷积网络对无人机图像中小目标

检测精度低和误检问题，以YOLOv7为基准算法，本文提出一种融合动态稀疏注意力

机制及部分卷积的无人机图像小目标检测算法，旨在提高无人机检测质量和视觉效果。

主要工作如下：

（1）为了更加有效地过滤冗余背景信息，以及增强对小目标的关注度，本研究

提出了一种创新的SPPCSPC-B模块。该模块结合了空间金字塔池化和动态稀疏注意

力机制，能够在多个尺度上提取特征，使得小目标在特征表示中得到更好的突显。相

较于目前方法，该模块能有效减少背景干扰，显著提升小目标检测精度，为无人机视

角下的目标检测提供了更加可靠的解决方案。

2

（）为了在提取更丰富和有表达力的特征表示的同时能够提升运行速度，本算

法采用了一种名为ELAN-P的创新型模块。ELAN-P模块通过使用局部卷积替代高效

聚合网络中的部分群卷积。此举不仅能够保持较高的特征表达能力，还能降低计算量

和内存访问，从而使得网络在小目标检测任务中表现更为出色。

（3）为了解决重新采样后的灰度值在空间上不连续所带来的问题，本研究引入

了CARAFE算子来改善特征融合性。CARAFE算子通过对输入特征进行精细重组，

能够在航拍图像中更好地保留细节信息，并生成更连续的灰度值。研究发现这种方法

有效缓解了重新采样过程中可能出现的图像边缘和细节丰富区域的质量损失，提高了

小目标检测的精度和鲁棒性。

为了验证本文所提方法的有效性，在公开的Aerial-airport数据集上进行了实验评

估。实验结果表明，本算法在减少参数量9%、模型缩小8%的情况下，实现了显著的

性能提升。具体而言，检测精度达到了94.7%，召回率达到了90.8%，相较于基准算

法提高了3.9%。同时，本算法也有效改善了小目标误检和漏检现象。这些结果证明了

本文所提方法在无人机图像小目标检测领域的有效性和实用性。综合来看，本文提出

的方法不仅在理论上具有创新性，也为相关领域的研究和应用提供了有力支撑。

关键词：无人机目标检测；YOLOv7；动态稀疏注意力；部分卷积；CARAFE

4

ABSTRACT

TheUnmannedAerialVehicle(UAV)isanoveltechnologicalproductofthe

informationage,involvingvariousrelatedtechnologiessuchasdataacquisition,intelligent

control,informationprocessing,andcommunication.Oneofitskeytechnologiesisobject

detection,whichholdssignificantapplicationvalueforUAVsindomainssuchasmilitary

androadtraffic.Theprimarytaskofobjectdetectionistoaccuratelylocateobjectsof

interestinimages.However,duetothesmallanddenselydistributednatureoftargetsin

UAVaerialimages,targetlocalizationbecomeschallenging.Conventionaldetection

networ