文摘针对无人机(UAV)影像中道路小目标漏检和目标检测精度低、鲁棒性差等问题,设计一种基于全局特征提取的UAV道路病害检测算法GFE-RDD(Global Feature Extraction-Road Disease Detection)。将卷积神经网络(CNN)与Transformer融合的GFE-Transformer模块嵌入主干网络,提升捕获长距离依赖关系的能力以获得全局上下文信息。为了更好地检测出小目标的道路病害,提出一个融合高效双通道注意力机制(EDA)的小目标检测头。另外,采用WIoUv3(Wise-Intersection over Union vision 3)作为网络的损失函数,解决训练数据中锚框质量差异较大的问题,并提高检测的准确性。在自制的道路多病害数据集上的实验结果表明,所提算法在道路病害检测任务中的F1分数达到0.765,mAP50达到0.796,均高于DETR(DEtection TRansformer)等当前主流算法,取得了较高的检测准确率。
