利用多尺度特征融合和動態(tài)任務(wù)對齊技術(shù)實現(xiàn)小型目標(biāo)群體的輕量級檢測
《Applied Soft Computing》：Lightweight detection of small-target swarm using multiple scale feature fusion and dynamic task alignment
【字體：
大
中
小
】
時間：2026年03月03日
來源：Applied Soft Computing 6.6
編輯推薦：
針對軍事場景下小目標(biāo)無人機群檢測的低像素占有率、復(fù)雜背景干擾及資源限制等挑戰(zhàn)，提出輕量級檢測框架，包含多尺度特征融合、動態(tài)任務(wù)對齊等模塊，實驗表明精度提升且參數(shù)減少。
李一鳴|姚宇明|劉同山|宋貴秋
東北大學(xué)機械與工程學(xué)院，中國沈陽110819
摘要
小型無人機（UAV）群在軍事偵察和戰(zhàn)術(shù)打擊中的廣泛應(yīng)用對傳統(tǒng)監(jiān)控系統(tǒng)提出了重大挑戰(zhàn)：小型UAV的像素占用率低、邊緣模糊、紋理稀疏；復(fù)雜的背景容易將目標(biāo)特征與噪聲混淆；資源受限的場景要求在檢測精度和輕量化性能之間取得平衡。這些問題使得精確高效地檢測小型UAV群成為軍事防御和低空空域監(jiān)控中的緊迫問題。為了解決這些挑戰(zhàn)，本研究提出了一種輕量級檢測網(wǎng)絡(luò)，該網(wǎng)絡(luò)包含四個協(xié)同工作的核心模塊：1）小型目標(biāo)注意力尺度序列特征融合（SASF）結(jié)構(gòu)，通過擴展淺層特征處理并集成注意力機制來增強對小型目標(biāo)的多尺度和局部細(xì)節(jié)特征的感知；2）具有大可分離核注意力（SPPF-LSKA）的空間金字塔池化快速模塊，該模塊擴大了感受野并捕獲長距離依賴信息，以在復(fù)雜背景下加強特征建模；3）基于上下文的跨階段部分加權(quán)融合（CGC2f）模塊，該模塊高效地整合全局、上下文和局部信息，同時保持檢測精度；4）動態(tài)任務(wù)對齊頭（DTAH），該模塊通過動態(tài)調(diào)整采樣點位置和權(quán)重分布來優(yōu)化邊界框的幾何對齊，同時保持模型的緊湊性和參數(shù)效率。在UAVSwarm數(shù)據(jù)集上的實驗結(jié)果表明，與基線模型相比，所提出的網(wǎng)絡(luò)將精度提高了2.11%，召回率提高了6.81%，mAP50提高了4.26%，mAP50–95提高了7.54%，同時參數(shù)數(shù)量減少了50.67%，GFLOPs減少了13.6%，模型大小減少了46.2%。此外，還在DUT Anti-UAV和Det-Fly數(shù)據(jù)集上進(jìn)行了跨數(shù)據(jù)集評估，以評估其泛化能力，結(jié)果證實所提出的方法在不同數(shù)據(jù)分布下表現(xiàn)良好。總體而言，這項工作為復(fù)雜和資源受限環(huán)境中的小型UAV群檢測提供了一種高效可靠的輕量級解決方案。
引言
得益于低成本、靈活部署和強大的任務(wù)協(xié)調(diào)能力等優(yōu)點，UAV群[1]、[2]、[3]操作已成為現(xiàn)代戰(zhàn)爭中的核心技術(shù)之一。在軍事場景中——無論是戰(zhàn)場偵察、戰(zhàn)術(shù)打擊支持[4]還是低空防空任務(wù)——準(zhǔn)確檢測和跟蹤UAV群目標(biāo)直接關(guān)系到戰(zhàn)場態(tài)勢感知的準(zhǔn)確性、指揮決策的效率，甚至戰(zhàn)斗行動的成敗。然而，小型UAV群在軍事環(huán)境中的獨特特性帶來了三個關(guān)鍵且特定于場景的挑戰(zhàn)，傳統(tǒng)監(jiān)控系統(tǒng)難以應(yīng)對：
1.檢測漏報的戰(zhàn)術(shù)風(fēng)險：小型UAV（具有“低空、低速、小尺寸”的特點）在640×640輸入圖像中僅占2%-5%的像素，邊緣模糊且紋理稀疏。在軍事行動中，即使漏報一個小型UAV（例如低空偵察UAV），也可能暴露部隊位置或戰(zhàn)術(shù)意圖[5]。
2.復(fù)雜戰(zhàn)場背景的干擾：UAV檢測通常發(fā)生在動態(tài)、雜亂的環(huán)境中——如煙霧籠罩的戰(zhàn)場、城市廢墟或森林防御區(qū)——其中背景噪聲容易與小型UAV的特征混淆。傳統(tǒng)的基于視覺的檢測方法經(jīng)常將背景雜亂誤分類為UAV（假陽性）或未能檢測到被遮擋的UAV（假陰性），從而導(dǎo)致戰(zhàn)術(shù)判斷失誤。
3.軍事應(yīng)用中的資源限制：軍事UAV檢測系統(tǒng)通常部署在資源受限的平臺上（例如裝甲車搭載的終端或便攜式監(jiān)控設(shè)備），這些平臺的計算能力和內(nèi)存有限。這要求模型在保持高檢測精度的同時實現(xiàn)輕量化性能——這是大多數(shù)現(xiàn)有模型難以實現(xiàn)的平衡。
當(dāng)前的UAV檢測技術(shù)包括雷達(dá)檢測、聲學(xué)檢測、射頻（RF）檢測和基于計算機視覺的檢測[6]、[7]。盡管雷達(dá)檢測具有全天候能力，但其對小型低空目標(biāo)的靈敏度較低，且設(shè)備成本高昂（不適合分布式部署）；聲學(xué)和RF檢測容易受到戰(zhàn)場噪聲或UAV隱身技術(shù)的干擾，導(dǎo)致可靠性無法保證。相比之下，基于視覺的方法由于成本低、響應(yīng)速度快和空間分辨率高而成為軍事分布式部署的首選，但它們?nèi)匀皇艿缴鲜鋈齻�軍事特定挑戰(zhàn)的限制，使得準(zhǔn)確檢測小型UAV群成為軍事防御領(lǐng)域的迫切需求。
大多數(shù)當(dāng)前的對象檢測研究關(guān)注通用場景，并未充分考慮軍事場景的特殊性：它們既沒有專門解決小型UAV“低空、低速、小尺寸”特性導(dǎo)致的低像素占用率和稀疏邊緣紋理問題，也沒有在復(fù)雜戰(zhàn)場背景的干擾與軍事部署的資源限制要求之間取得平衡。
為了解決軍事和安全場景下小型UAV群檢測的上述挑戰(zhàn)，本研究開發(fā)了一個適用于復(fù)雜操作環(huán)境的輕量級檢測框架。本研究的核心貢獻(xiàn)總結(jié)如下：
(1)特征感知優(yōu)化：提出了小型目標(biāo)注意力尺度序列特征融合（SASF）結(jié)構(gòu)，以增強對小型UAV的多尺度特征表示。通過改進(jìn)淺層特征的利用和加強跨尺度交互，SASF有效緩解了由于小型物體尺寸小和紋理模糊造成的視覺線索薄弱問題。
(2)復(fù)雜背景建模：設(shè)計了具有大可分離核注意力（SPPF-LSKA）的空間金字塔池化快速模塊，以加強空間和上下文信息的提取。該模塊在保持計算效率的同時擴大了感受野，從而減少了雜亂場景中的誤檢測。
(3)模型輕量化和對齊優(yōu)化：引入了基于CGBlock的輕量級上下文引導(dǎo)的跨階段部分融合模塊（CGC2f），以高效整合全局、上下文和局部特征，顯著減少了參數(shù)和FLOPs。此外，還開發(fā)了動態(tài)任務(wù)對齊頭（DTAH），通過動態(tài)調(diào)整采樣位置和權(quán)重分布來實現(xiàn)任務(wù)解耦，改善了密集分布UAV場景中的邊界框幾何對齊并提高了檢測精度。
(4)全面的實證驗證：所提出的框架主要在UAVSwarm數(shù)據(jù)集上進(jìn)行評估，并在DUT Anti-UAV和Det-Fly數(shù)據(jù)集上進(jìn)行了進(jìn)一步跨數(shù)據(jù)集驗證。實驗結(jié)果表明，與現(xiàn)有輕量級檢測器相比，集成系統(tǒng)實現(xiàn)了更好的檢測性能和更優(yōu)的精度-效率平衡，驗證了所提出模塊的有效性和實際潛力。
部分內(nèi)容
用于UAV檢測的小目標(biāo)特征提取
小型目標(biāo)特征提取是UAV檢測中的核心挑戰(zhàn)，因為無人機通常只占據(jù)少數(shù)像素，并且容易被背景雜亂和尺度變化所淹沒。Misbah等人通過將TF-BiFPN引入YOLOv5來增強小型特征表示，從而提高了在黑暗和低對比度條件下的小型無人機的檢測能力[8]。Ma等人提出了LA-YOLO，該模型強調(diào)淺層特征的增強和背景處理
提出的模型
在這里，我們描述了在具有挑戰(zhàn)性條件下檢測小型UAV的輕量級框架，其架構(gòu)如圖1所示。
實驗
本節(jié)首先通過消融實驗和比較實驗評估了所提出模型在UAVSwarm [30]數(shù)據(jù)集上的檢測性能，然后使用額外的基準(zhǔn)測試驗證了其在不同數(shù)據(jù)分布下的泛化能力。
UAVSwarm數(shù)據(jù)集是由Wang等人收集并手動標(biāo)注的無人機群數(shù)據(jù)集，主要用于多目標(biāo)無人機檢測和跟蹤任務(wù)。該數(shù)據(jù)集包含12,598張圖像，其中6,844張用于訓(xùn)練，5,754張用于測試
討論
在現(xiàn)實世界的監(jiān)控場景中檢測小型UAV群仍然具有挑戰(zhàn)性，因為這三個內(nèi)在特性：（1）視覺線索極其有限，小型UAV通常只占據(jù)少數(shù)像素，邊緣模糊且紋理稀疏；（2）嚴(yán)重的背景干擾，視覺上相似的結(jié)構(gòu)（例如云層、樹枝、風(fēng)力渦輪機）容易引起誤報或漏報；（3）對輕量化部署的要求，這限制了模型的能力
結(jié)論
本研究解決了在復(fù)雜背景和資源受限部署條件下小型UAV群檢測的問題，并提出了一個專為這項任務(wù)設(shè)計的輕量級檢測框架。與針對通用基準(zhǔn)優(yōu)化的一般用途輕量級檢測器不同，所提出的方法針對UAV群檢測的關(guān)鍵挑戰(zhàn)，包括低像素占用率、強烈的背景干擾和有限的計算資源。
該框架整合了
CRediT作者貢獻(xiàn)聲明
宋貴秋：撰寫——審稿與編輯。姚宇明：撰寫——審稿與編輯、撰寫原始草案、可視化、軟件、方法論、調(diào)查。李一鳴：撰寫——審稿與編輯、資源管理、方法論、資金獲取、概念化。劉同山：撰寫——審稿與編輯。
利益沖突聲明
我們聲明與可能不當(dāng)影響我們工作的其他人或組織沒有財務(wù)和個人關(guān)系。我們對任何產(chǎn)品、服務(wù)和/或公司沒有專業(yè)或其他形式的個人利益，這些利益可能會影響本文所述觀點或?qū)κ指濉笆褂枚喑叨忍卣魅诤虾蛣討B(tài)任務(wù)對齊進(jìn)行小型無人機群輕量級檢測”的評審。
生物通微信公眾號
生物通新浪微博
- 搜索
- 國際
- 國內(nèi)
- 人物
- 產(chǎn)業(yè)
- 熱點
- 科普
今日動態(tài) |
人才市場 |
新技術(shù)專欄 |
中國科學(xué)人 |
云展臺 |
BioHot |
云講堂直播 |
會展中心 |
特價專欄 |
技術(shù)快訊 |
免費試用
版權(quán)所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
聯(lián)系信箱：
粵ICP備09063491號
