LMUAV-YOLOv8:低空无人机视觉目标检测轻量化网络

• 全文链接
• 请求原文

作   者：

董一兵;  曾辉;  侯少杰; 

作者机构：

河北经贸大学管理科学与信息工程学院; 

关键词：

可编程梯度信息;  YOLOv8;  小目标检测;  多尺度;  轻量化; 

期刊名称：

计算机工程与应用

i s s n：

1002-8331

年卷期：

2025 年 61 卷 003 期

页   码：

94-110

摘   要：

针对低空无人机目标检测面临目标尺度变化大、小目标容易漏检和误检的挑战，发展了一种融合多尺度特征的目标检测轻量化网络（LMUAV-YOLOv8），通过开展消融和对比实验，验证了算法的有效性和先进性，并借助类激活图，对模型的决策过程进行了解释。设计了一种轻量化的特征融合网络（UAV＿RepGFPN），提出新的特征融合路径以及特征融合模块DBB＿GELAN，降低参数量和计算量的同时，提高特征融合网络的性能。使用部分卷积（PConv）和三重注意力机制（Triplet Attention）构建特征提取模块（FTA＿C2f），并引入ADown下采样模块，通过对输入特征图维度的重新排列和细粒度调整，以提升模型中深层网络对空间特征的捕捉能力，并进一步降低参数量和计算量。优化YOLOv9的可编程梯度信息（programmable gradient information,PGI）策略，设计基于上下文引导（Context＿guided）的可逆架构，并额外生成三个辅助检测头，提出UAV＿PGI可编程梯度方法，避免传统深度监督中多路径特征集成可能导致的语义信息损失。为了验证模型的有效性及泛化能力，在VisDrone 2019测试集上开展了对比实验，结果显示，与YOLOv8s相比，LMUAV-YOLOv8s的准确度、召回率、mAP@0.5和mAP@0.5:0.95等指标分别提升了4.2、3.9、5.1和3.0个百分点，同时参数量减少了63.9%，计算量仅增加0.4 GFLOPs，实现了检测性能与资源消耗的良好平衡。基于NVIDIA Jetson Xavier NX嵌入式平台的推理实验结果显示：与基线模型相比，该算法能够在满足实时检测要求的条件下，获得更高的检测精度，对于无人机实时目标检测场景具有较好的适用性。借助类激活图，对算法的决策过程进行了可视化分析，结果表明，该模型具备更优异的小尺度特征提取和高分辨率处理能力。