摘要
利用无人机进行影像采集并进行目标检测，在国防、农业、交通、电力等领域具有重要的应用前景，因此具有重要的研究价值。无人机影像目标检测任务的特点是视野大、潜在目标小。经典目标检测算法主要针对常规图像，在无人机视角场景下检测小目标效果并不理想。而基于深度学习的目标检测算法，具有模型体量大，难以满足无人机任务的实时性要求。本研究通过改进深度学习方法构建适用于无人机影像的目标检测算法，以提高无人机视角下检测小目标的精度和算法实时性。主要包括以下三方面的工作： （1）对无人机视角影像数据集进行分析和预处理。对无人机影像VisDrone数据集与PASCALVOC和MSCOCO两个基准数据集进行对比，全面分析无人机数据集与常规场景数据集的差异；对无人机数据集中的标注信息进行了综合的统计特征可视化工作，详细研究了数据集中目标的数据特性；对无人机数据集进行去雾化和标注格式转换，为后续目标检测提供高质量数据和准备工作。 （2）针对基于深度学习的目标检测算法实时性差的问题，构建轻量化骨干网络。选取在检测速度和精度上表现均衡的YOLOv3目标检测算法作为基础网络。使用CSPNet和Bottleneck来构建骨干网络，并且使用Ghostmodule对骨干网络轻量化处理。 （3）针对无人机视角场景检测小目标精度低的问题，重新设计适合无人机影像数据集小目标的锚框、优化多尺度特征融合策略和增加高分辨率特征层来改进小目标检测。同时构建通道与特征融合的注意力机制模块增强小目标特征表示。 本研究改进的骨干网络采用了轻量化方法，有效地降低了模型的参数量，从而具有移植于无人机平台的潜力。针对无人机影像中小目标设计的多尺度特征融合方法和增加高分辨率特征层有效的提升了模型精度。构建的注意力机制模块对小目标检测精度有增量性的提升。基于改进后的模型部署了无人机影像目标检测软件平台，实现了对无人机视角下图像目标检测结果的快速预览和结果统计功能。
NETL