摘要
在深度学习领域中，目标检测一直是一项极具挑战性的任务，尤其是在针对小目标的检测过程中，如何达到更好的检测结果成为了难点和关键技术，同时这种难点在无人机应用领域中表现得尤为突出。由于小目标检测具有极其广阔的应用前景，因此如何准确、高效地进行小目标检测成为了需要解决的问题。在低空50米至100米的无人机视角下，由于小目标分辨率低并且容易受背景干扰等问题，使用现有的目标检测算法对小目标检测效果较差，本文在此基础上进行更深入的研究。主要研究内容如下： 针对低空无人机视角下目标细小的特点，对比分析YOLO系列算法的优缺点，选择YOLOv8n模型作为基础分别针对Backbone网络、Neck网络和Head网络提出小目标物体检测的改进。首先采用SE注意力机制以及MBConv模块对Backbone网络的特征提取进行改进加强，使网络结构提取到更为完整的小目标特征的同时减少一定的计算量，保证小目标边界轮廓等特征信息的整体完整性不受到任何破坏；其次采用增加小目标检测层和SSFF和TFE模块来提升Neck网络中不同尺度特征图的融合效果，使小目标特征图具备更加丰富的语义信息以及完整的几何信息，提升模型目标检测的性能与准确度；然后使用多重注意力机制统一物体检测头 Dynamic Head 替换原模型的Head网络，采取三种注意力机制让Head网络更加关注小目标在特征层级、空间位置、输出通道的特征表示，在不增加大量计算量的情况下显著提升了模型的表达能力，从而得到更好的小目标检测效果。 通过实验表明，改进各部分网络后模型的目标检测性能在 VisDrone 数据集上均有所提升，整体改进网络模型相较于原模型YOLOv8n的准确率和召回率分别提升了10%和6.2%，mAP@0.5指标提升了8.9%。验证了本文提出的改进网络模型的有效性与可行性，模型对于小目标检测精度得到显著提升，在低空无人机小目标检测场景中表现出更好的目标检测性能。
NETL