YOLO-Drone：高空视角空中实时检测致密小物体

配备遥感目标探测技术的无人机，迅速获得了广泛的应用和已成为该领域的主要研究热点之一计算机视觉。虽然无人机遥感系统有能够探测各种物体，小尺度物体即可由于物体大小等因素，很难进行可靠的检测，图像退化和实时限制。为了解决这些问题 提出了一种实时目标检测算法(YOLO-Drone)提出并应用于两种新型无人机平台以及一种特定光源(硅基黄金LED)。YOLO-Drone提出了几个新奇之处:1)包括一个新的骨干Darknet59;2)一种新的复杂特征聚合模块MSPP-FPN它包含了一个空间金字塔池和三个空间空间金字塔池模块;3)和泛化的使用交集/并(GIoU)作为损失函数。评估性能，两个基准数据集，UAVDT和VisDrone，以及夜间在硅基金色led下获得的自制数据集。实验结果表明:在UAVDT和VisDrone中，提出的YOLO-Drone优于最先进的(SOTA)目标检测方法mAP分别提高10.13%和8.59%。关于UAVDT, YOLO-Drone表现出两者的高实时推理速度为53 FPS，最大mAP为34.04%。值得注意的是，YOLO-Drone在以 YOLO-Drone是针对高空视角空中实时检测致密小物体的一种创新算法，它解决了无人机遥感系统在检测小尺度物体时面临的挑战。在计算机视觉领域，无人机的应用日益广泛，但小物体检测一直存在困难，这主要归因于物体尺寸、图像退化以及实时性要求。YOLO-Drone通过引入一系列新颖的设计来改善这些问题。 YOLO-Drone采用了名为Darknet59的新骨干网络结构，这是一种深度神经网络模型，旨在提高特征提取的效率和准确性，以更好地识别小物体。Darknet系列以其快速和准确的特性而闻名，而Darknet59是对原有架构的改进，增强了对小目标的检测能力。 YOLO-Drone利用了MSPP-FPN（多尺度空洞空间金字塔池化特征金字塔网络）模块，这是一个复杂特征聚合机制。它结合了一个空间金字塔池和三个空洞空间金字塔池模块，以捕捉不同尺度的目标并增强上下文信息的融合。这种方法有助于提升网络对小尺度目标的识别能力和鲁棒性。 再者，YOLO-Drone采用了通用的交集/并集损失函数（GIoU），相较于传统的IOU（交并比），GIoU在边界框回归中提供了额外的优化信号，即使在非重叠的情况下也能促进更好的定位。这种改进对于确保检测框的精确性至关重要，特别是在实时环境中。 为了验证YOLO-Drone的性能，研究人员使用了两个基准数据集——UAVDT和VisDrone，以及一个在硅基金色LED光源下的自建数据集。实验结果显示，YOLO-Drone在UAVDT和VisDrone上分别提升了10.13%和8.59%的平均精度（mAP），证明了其在小物体检测上的优越性。此外，YOLO-Drone还能达到53 FPS的实时推理速度，在UAVDT数据集上取得了34.04%的最大mAP，显示了出色的实时性能。 特别值得注意的是，YOLO-Drone在硅基金色LED照明条件下表现卓越，最高mAP达到了87.71%，超过了普通光源下YOLO系列的表现。这意味着YOLO-Drone在夜间或特殊光照条件下的检测任务中具有显著优势，为无人机在复杂环境中的应用提供了强大支持。 YOLO-Drone是一种高效的无人机目标检测解决方案，尤其适用于夜间或其他光照条件较差的环境。其创新的网络结构和损失函数设计，显著提高了小物体的检测准确性和实时性，对于推动无人机遥感技术的发展具有重要意义。