-
题名基于动态渐进融合的无人机海上救援目标检测算法
被引量：2
- 1
-
-
作者
黄绿娥
于晓伟
鄢化彪
毛玉婷
-
机构
江西理工大学电气工程与自动化学院
多维智能感知与控制江西省重点实验室
江西省生态文明研究院
-
出处
《数据采集与处理》
北大核心
2025年第2期334-348,共15页
-
基金
国家自然科学基金(62001202)
江西省自然科学基金(20224BAB202036)
江西省教育厅科学技术重点研究项目(GJJ2200805)。
-
文摘
无人机(Unmanned aerial vehicle,UAV)目标检测在海上救援任务中发挥着重要作用。然而,由于无人机空中拍摄的视角和高度多变,检测目标存在多尺度变化。此外,阳光照射海面产生的耀斑会造成误检现象。基于上述问题,为满足无人机实时目标检测的算法轻量化需求,本文以YOLOv8n为基准网络,提出一种基于动态渐进融合的轻量级无人机海上救援目标检测算法(Dynamic progressive fusion YOLO,DPF⁃YOLO)。首先,提出轻量级冗余信息提取模块(Redundant information extraction module,RIEM),通过减少特征图中的冗余信息,突出关键特征,避免耀斑误检问题。其次,提出动态多尺度特征提取模块(Dynamic multi⁃scale feature extraction module,DMFEM),通过动态调整感受野大小以适应不同尺度的目标,增强多尺度特征表达能力。最后,结合DMFEM模块提出动态渐进融合网络(Dynamic progressive fusion network,DPFNet),通过渐进式融合结构,减少非相邻层间不同尺度目标的语义差异,增强多尺度特征融合效果。DPF⁃YOLO设计为P2、P3和P4检测层结构以适应海上救援任务中不同尺度的目标,丰富多尺度信息,增强对小目标的特征提取。在SeaDronesSee v2数据集上的实验结果表明,DPF⁃YOLO以仅1.19M的参数量实现了mAP0.5=72.2%的检测精度,较基准网络YOLOv8n参数量降低60.5%,召回率提升12.4%,精度提升8.2%。在VisDrone数据集上的泛化性实验结果表明,DPF⁃YOLO具有较好的泛化能力。
-
关键词
目标检测
无人机海上救援
多尺度
渐进融合
轻量化模型
-
Keywords
object detection
unmanned aerial vehicle(UAV)maritime rescue
multi-scale
progressive fusion
lightweight model
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
