UAVAI-YOLO：无人机航拍图像的小目标检测模型

Abstract

针对无人机航拍图像目标检测效果差的问题，提出改进的UAVAI-YOLO模型。首先，为使模型获得更加丰富的语义信息，使用改进可变形卷积网络（deformable convolutional networks，DCN）替换原骨干（backbone）网络部分通道到像素（channel-to-pixel，C2f）模块原始卷积。其次，为增加P2特征层而不增加模型参数量，提出Conv_C模块将骨干网络输出通道降维，同时避免通道降维导致的语义信息丢失，使用改进ODConv卷积替换颈部（neck）部分C2f模块原始卷积。然后，为充分利用上下文语义信息，引入双向特征金字塔网络（bidirectional feature pyramid network，BIFPN）。最后使用Wise-IoU替换原始损失函数，提高模型目标检测框的准确性。在公开的VisDrone2019数据集和UAVDT数据集的实验结果表明，UAVAI-YOLO模型相比于原YOLOv8n模型[email protected]分别提升了4.4%和1.1%。与其他主流目标检测模型相比具有较高的检测性精度。

Keywords

• 无人机航拍图像
• 小目标检测
• yolov8
• 可变形卷积网络
• 注意力机制