基于改进YOLOv5的无人机实时密集小目标检测算法

无人机航拍图像与自然场景图像相比背景更复杂,存在大量密集小目标,对检测网络提出了更高的要求。在保证目标检测实时性的前提下,针对无人机视角下密集小目标检测精度低的问题,提出一种基于YOLOv5的无人机实时密集小目标检测算法。首先,将空间注意力(SAM)与通道注意力(CAM)相结合,改进CAM中特征压缩后的全连接层,降低计算量。另外,改变CAM与SAM的连接结构,提高空间维度特征捕获能力。综上,提出一种空间-通道注意力模块(SCAM),提高模型对特征图中小目标聚集区域的关注程度;其次,提出一种基于SCAM的注意力特征融合模块(SC-AFF),根据不同尺度特征图自适应分配注意力权重,增强小目标的特征融合效率;最后,在主干网络中引入Transformer模块,并利用SC-AFF模块改进原有的残差连接处的特征融合方式,更好地捕获全局信息和丰富的上下文信息提高复杂背景下密集小目标的特征提取能力。在VisDrone2021数据集上进行实验,YOLOv5s基准下,改进后模型的mAP₅₀提高了6.4%,mAP₇₅提高了5.8%,对高分辨率图像的FPS可达到46...     

基于多尺度深度学习的自适应航拍目标检测

无人机已经被广泛应用到各个领域,目标检测成为无人机视觉领域关键技术之一。针对无人机图像中场景复杂、尺度多变、小目标丰富等问题,提出了一种基于多尺度深度学习的自适应航拍目标检测算法。首先,构建自适应特征提取网络MSDarkNet-53,引入多尺度卷积方式,采用不同类型卷积核对不同尺寸目标进行运算,有效扩大感受野。其次,结合注意力机制的优点设计卷积模块,自适应优化特征权重,增强有效特征,抑制无效特征,得到表征能力更强的特征。最后,构建基于多尺度特征融合的预测网络,根据小目标的特点,选取多层级特征映射融合成高分辨率特征图,在单一尺度上进行目标分类和边界框回归。实验表明：本文算法提升了无人机图像的目标检测精度,具有良好的鲁棒性。     

仿鹰眼-中脑机制的无人机空中加油显著性检测

空中加油是提高无人机（UAV）空中持续作战能力的重要技术，其中对加油锥套的检测和识别是实现空中加油的首要任务。针对空中加油快速、准确的目标检测难题，结合鹰眼敏锐的视觉机制，设计了一种仿鹰眼-中脑机制的显著性检测算法，采用仿鹰眼颜色拮抗和明暗适应机制模型从加油锥套视频序列中提取多通道图像特征，为适应锥套在图像中的面积，模拟仿鹰中脑网络门控机制对多通道特征显著图进行空间门控处理，模拟仿鹰中脑网络增益机制对显著图进行增强处理。通过公开数据集和空中加油试飞数据集分别进行了测试，仿真对比实验结果验证了所提出的显著性检测算法可在设定显著目标面积占比的条件下有效抑制背景影响，并能检测到空中加油的锥套目标。     

结合核相关滤波器和深度学习的运动相机中无人机目标检测

针对无人机与相机快速相对运动造成的运动模糊问题，以及小型无人机外观信息缺失和背景复杂造成漏警和虚警问题，提出了一种新的无人机检测-跟踪方法。针对成像尺寸小于32像素×32像素的无人机目标，提出改进的多层特征金字塔的分类和目标框回归器作为目标检测器，克服漏警。利用检测结果初始化基于核相关滤波的目标跟踪器，并持续修正跟踪结果，跟踪结果为剔除检测器虚警提供依据。在跟踪过程中，引入对观测场景纹理自适应的相机运动补偿策略实现目标重定位。多场景下的实验结果表明：提出的方法在对高速运动小目标的检测和跟踪指标上显著优于传统方法，且运动补偿机制的引入进一步增强了方法在极端复杂场景下的鲁棒性。     

多尺度层级金字塔网络的无人机入侵检测方法

近年来,无人机的快速发展给众多领域带来便利,然而无人机入侵给机场安全带来了巨大的挑战。由于无人机目标小、背景复杂、飞行速度快等特点,现有的主流目标检测方法通常难以准确地识别出入侵的无人机,易产生误检漏检的现象。提出了多尺度层级金字塔网络的无人机入侵检测方法,同时利用特征融合模块赋予特征金字塔不同层级、不同尺度的图像语义信息,并通过网格删除和4-Mosaic数据增强技术,对小样本数据集进行扩充,有效地提高了模型的泛化性能。实验表明,方法较于目前最优的无人机检测方法性能提升了5.5%。     

基于多尺度分割注意力的无人机航拍图像目标检测算法

随着无人机（UAV）遥感技术的发展,无人机航拍图像目标检测逐渐成为无人机应用领域的一项核心技术,在交通规划、军事侦查及环境监测等领域具有重要应用价值。针对无人机图像中小目标实例多、背景复杂及特征提取困难的问题,提出一种基于多尺度分割注意力的无人机航拍图像目标检测算法MSA-YOLO。首先,利用嵌入在骨干网络瓶颈层的多尺度分割注意力单元建立多尺度特征间的远程依赖关系,从而强化关键特征的表达能力并抑制背景噪声干扰;其次,设计了一种自适应加权特征融合方法,该方法动态的优化各输出特征层权重,实现浅层特征与深层特征的深度融合;最后,在VisDrone公开数据集上的实验结果表明：该方法取得了34.7%的平均均值精度（mAP）,相比于基线算法YOLOv5提高了2.8%,在复杂背景下仍能显著提升无人机图像目标检测性能。     

重访机制驱动的多无人机协同动目标搜索方法

为实现多无人机高效捕获灰色任务区域内的移动目标,考虑传感器探测概率与虚警概率,提出了重访机制驱动的协同搜索规划（RMD-CSP）方法,以降低目标遗漏与误判概率。考虑无人机飞行性能约束,以最大化任务执行效能为目标建立多无人机协同搜索模型。根据目标先验信息初始化环境搜索信息图（包括目标概率分布图、环境不确定度图与环境搜索状态图）,利用无人机实时探测信息,基于贝叶斯准则持续更新搜索信息图。定制基于环境不确定度更新的重访机制,通过增加长时间未被重访区域的环境不确定度,引导无人机搜索该区域,降低移动目标的遗漏概率;定制基于目标函数权重更新的重访机制,引导无人机快速重访发现新的疑似目标的区域,对疑似目标进行再次确认,减少由于传感器虚警概率造成的目标误判概率。采用滚动时域规划架构,将搜索规划问题分解为一系列短时域规划问题,提升了求解效率。在典型任务想定下,通过数值仿真试验验证了所提方法的有效性。仿真结果表明,RMD-CSP能够在秒级时间内生成每个时域的搜索航迹,相比于光栅式搜索方法与标准的概率启发式搜索方法,能够引导无人机捕获更多的移动目标,同时减少误判次数,有效提升了多无人机协同搜索的任务效能。     

基于深度学习的无人机航拍目标检测研究综述

目标检测是提高无人机（UAV）感知能力的关键技术之一,其研究对于无人机的应用有着重要意义。与基于手工特征的传统方法相比,基于卷积神经网络的深度学习方法具有强大的特征学习和表达能力,成为目前目标检测任务的主流算法。近年来,目标检测技术已经在自然场景图像上取得了一系列突破性进展,在无人机领域的研究也逐渐成为热点。首先系统阐述了基于深度学习的目标检测算法的研究进展,并总结了相关算法的优缺点。对常见的航空影像数据集进行了梳理并介绍了迁移学习的方法;从无人机影像背景复杂、目标较小、视场大、目标具有旋转性的特点出发,对无人机目标检测在近期的研究进行了归纳和分析。最后讨论了存在的问题和未来可能的发展方向。     

未知区域无人机协同搜索方法及效率分析

随着无人机技术的广泛使用,利用多架次无人机集群的自主协同控制,对某片区域进行覆盖侦察和目标搜索成为该领域的热点和难点问题。本文基于Voronoi图构型的多无人机区域覆盖模型实现了对未知区域的搜索覆盖面积和搜索时间的优化部署,基于概率地图信息更新融合的协同搜索策略实现了无人机自主协同控制,最后利用Matlab平台仿真并比较了不同情况下无人机集群搜索的效率。     

编队无人机的高生存力协同航路规划方法

提出了一种基于多目标遗传算法的编队无人机高生存力协同航路规划方法。方法由备选航路生成和协同规划两个步骤组成。备选航路生成的目的是为编队中的每一个无人机生成多条航路,该步骤采用的算法是多目标遗传算法。协同规划的目的是为各个无人机从备选航路中选择航路,使得各个无人机同时到达目标区域,以增加任务突然性,提高整个编队的生存力。通过仿真算例,把方法与基于Voronoi图的方法作了对比,给出了方法的优缺点分析。