G-YOLO: UAV를 위한 YOLOv8 기반의 경량 적외선 공중 원격 감지 목표 탐지 모델

경량 적외선 목표 탐지 모델인 G-YOLO는 복잡한 지상 시나리오에서 UAV 공중 이미지의 목표 탐지 정확도가 낮고, 모바일 또는 임베디드 플랫폼에 적용하기 어려운 대형 네트워크 모델의 문제를 해결하기 위해 제안됩니다. 첫째, YOLOv8의 기본 특징 추출 네트워크는 경량 네트워크인 GhostBottleneckV2를 기반으로 개선 및 설계되며, 기본 네트워크의 나머지 부분은 표준 컨볼루션의 일부를 대체하기 위해 Depth-Separable Convolution(DWConv)을 채택하여 모델의 탐지 효과를 효과적으로 유지하면서도 모델 파라미터 및 계산량을 크게 줄입니다. 둘째, neck 구조는 적응형 컨볼루션 구조를 채택하여 컨볼루션 커널 크기와 스텝 크기를 적응적으로 조정하는 ODConv 모듈에 의해 개선되어, 여러 스케일의 목표에 기반한 보다 효과적인 특징 추출 및 탐지를 가능하게 합니다. 동시에, attention 메커니즘인 SEAttention을 사용하여 neck 구조를 더욱 최적화하여 모델이 입력 특징 맵의 전역 정보를 학습하는 능력을 향상시키고, 이는 각 특징 맵의 각 채널에 적용되어 특정 채널의 유용한 정보를 향상시키고 모델의 탐지 성능을 개선합니다. 마지막으로, SlideLoss 손실 함수를 도입하여 모델이 훈련 과정에서 예측된 바운딩 박스와 실제 바운딩 박스 간의 차이를 계산하고, 이러한 차이에 따라 모델 파라미터를 조정하여 객체 탐지의 정확도와 효율성을 개선합니다. 실험 결과에 따르면, YOLOv8n과 비교하여 G-YOLO는 복잡한 배경에서의 적외선 소형 목표 탐지에서 결측 및 오탐지 비율을 감소시키며, 모델 파라미터 수는 74.2% 줄어들고, 계산 부동소수점 수는 54.3% 줄어들며, FPS는 71 향상되어 모델의 탐지 효율성을 개선하고 평균 정확도(mAP)는 91.4%에 도달하여 UAV 기반 적외선 소형 목표 탐지에 대한 모델의 유효성을 검증합니다. 또한, 모델의 FPS는 556에 도달하며, 이는 소형 목표, 장거리 목표 및 기타 복잡한 장면과 같은 더 넓고 복잡한 탐지 작업에 적합할 것입니다.