南京邮电大学学报(自然科学版)

作者：潘翔,陈前斌,黄昂,罗佳,唐伦

单位：重庆邮电大学 通信与信息工程学院，重庆 40065；重庆邮电大学 移动通信技术重点实验室，重庆 400065重庆邮电大学 通信与信息工程学院，重庆 40065；重庆邮电大学 移动通信技术重点实验室，重庆 400065重庆邮电大学 通信与信息工程学院，重庆 40065；重庆邮电大学 移动通信技术重点实验室，重庆 400065重庆邮电大学 通信与信息工程学院，重庆 40065；重庆邮电大学 移动通信技术重点实验室，重庆 400065重庆邮电大学 通信与信息工程学院，重庆 40065；重庆邮电大学 移动通信技术重点实验室，重庆 400065

关键词：无人机；小目标检测；多尺度检测；注意力机制；标签分配策略

基金：国家自然科学基金(62071078)﹑重庆市教委科学技术研究项目(KJZD M201800601)和川渝联合实施重点研发(2021YFQ0053)资助项目

在无人机上运用目标检测技术具有广泛的应用前景，但和自然拍摄的图像不同，无人机航拍的图像更加复杂，且大多数为小目标。而现有的检测算法缺乏对小目标的特征提取能力，从而导致严重的误检和漏检问题。针对上述问题，提出一种基于YOLOX框架的高效的无人机小目标检测算法。首先，在特征融合网络中增加一层检测微小目标的特征融合结构，通过利用浅层特征图中丰富的位置信息和轮廓信息来加强网络对小目标的识别能力；同时，为了防止额外参数的增加，将减少头网络中的一层卷积层并缩减其通道数。其次，提出一种通道-空间注意力机制模块（Channel Spatial Attention Module，CSAM），利用最优的权重分配使网络聚焦于特征图中小目标密集的区域。最后，提出一种带位置引导的标签分配策略(LB SimOTA)，根据每个预测框和真实框的交并比(IOU)的大小，分别配以不同的权重，以改善网络中整体预测框的质量。在小目标居多的数据集VisDrone2019上的实验结果表明，文中提出的算法和 YOLOX S相比，针对车和人的检测精度提升了8.63%，检测速度FPS也可达到86，因此更适合在无人机对地面小目标检测的场景下部署。

来源：2024年第01期

《南京邮电大学学报(自然科学版)》期刊编辑部

查看南京邮电大学学报(自然科学版)杂志2024年第01期