基于深度学习的无人机对地小目标轻量级检测算法研究.pdf

摘要

随着科技的飞速发展，无人机及其他嵌入式系统的广泛应用已成为现代生产与

生活方式演变的重要趋势。这些技术的进步促进了相关应用领域的创新和产品多样

性的增加。在自主无人机系统中，将无人机与计算机视觉算法进行结合，对目标进

行定位与分类是一项重要任务。无人机具有飞行高度高、视野范围广的特性，与通

用图片对比，无人机视角下的航拍图像中会存在尺度变化大、目标尺寸小等问题，

且无人机等嵌入式设备由于其算力不足，一般算法模型也很难满足无人机轻量化的

需求。本文对上述提到的问题展开了针对性的研究，以下为本文具体的研究内容：

（1）为改善目标检测模型对无人机航拍图像中小目标误检以及漏检的问题，本

文提出了HAFE-YOLOv6s算法。首先，在感受野模块的基础上引入了混合注意力机

制，不仅可以扩大模型的感受野，还能让模型关注更多的空间以及通道的细节特征，

更有利于模型对小目标的检测。然后提出了一个小目标特征增强模块，该模块首先

通过全局注意力机制增强有用特征，借鉴GAU模块用包含更多语义信息的特征图指

导含有丰富细节信息的特征图进行特征提取，用上下文模块代替GAU模块中的全局

池化操作，减少特征信息的丢失。在网络末端增加一个小目标检测头，利用更多的

目标细节特征。最后，设计了基于目标大小的损失函数，平衡模型对图像内的不同

大小目标的关注度，增加模型对小目标的关注度。经过实验验证，本文提出的

HAFE-YOLOv6s算法在公共数据集VisDrone2019上，平均精度均值mAP（mean

AveragePrecision）能够达到41.7%的水平，相较于原YOLOv6s提升4.4%。

（2）针对目标检测算法模型中存在冗余的参数，影响模型的计算效率，难以满

足嵌入式平台的轻量化需求，提出了一个轻量级的航拍图像目标检测网络

Light-YOLOv6s。本文通过使用局部卷积的方式代替原算法中的卷积模块来减少模型

的参数量，同时为了避免参数量减少带来的精度损失，本文还使用了Shuffle注意力

机制，让模型在预测时更多关注重要的区域。本算法还借鉴了特征融合金字塔的思

想，以及GSConv的方法设计了一种网络，在通过融合各层级间的特征来提升模型

对目标的检测能力的同时减少模型的参数量。最后通过使用模型剪枝的策略来进一

步降低模型的参数量。经过实验验证，本文提出来的网络在减少模型参数量的同时，

模型对于小目标的检测精度也略有提升。

最后对本文进行了总结并对将来无人机航拍图像目标检测算法的研究进行了展

I

望。

关键词：无人机航拍图像；小目标检测；轻量级网络；YOLO算法

II

ABSTRACT

Withtherapidadvancementofscienceandtechnology,thewidespreadapplicationof

unmannedaerialvehicles(UAVs)andotherembeddedsystemshasbecomeasignificant

trendintheevolutionofmodernproductionandlifestyle.Thesetechnologicalprogress

havefosteredinnovationinrelatedapplicationfieldsandanincreaseinproductdiversity.

InautonomousUAS,combiningcomputervisionalgorithmsandUAVstolocalizeand

classifyobjectsisanimportanttask.UAVshavethecharacteristicsofhighflightaltitude

andwidefieldofview,andcomparedwithgeneral-purpose