Drone-YOLO: Um Método de Rede Neural Eficiente para Detecção de Alvos em Imagens de Drones

A detecção de objetos em imagens de veículos aéreos não tripulados (VANT) é uma base significativa em vários domínios de pesquisa. No entanto, as imagens de VANT apresentam desafios únicos, incluindo grandes tamanhos de imagem, objetos de detecção de tamanhos pequenos, distribuição densa, instâncias sobrepostas e iluminação insuficiente que impacta a eficácia da detecção de objetos. Neste artigo, propomos o Drone-YOLO, uma série de algoritmos de detecção de objetos em imagens de VANT em múltiplas escalas baseados no modelo YOLOv8, projetados para superar os desafios específicos associados à detecção de objetos em imagens de VANT. Para abordar as questões de grandes tamanhos de cena e objetos de detecção pequenos, introduzimos melhorias no componente de pescoço do modelo YOLOv8. Especificamente, empregamos uma estrutura de PAFPN de três camadas e incorporamos uma cabeça de detecção adaptada para objetos de pequeno porte usando mapas de características em larga escala, melhorando significativamente a capacidade do algoritmo de detectar alvos pequenos. Além disso, integramos o módulo de fusão-sanduíche em cada camada do ramo ascendente-descendente do pescoço. Este mecanismo de fusão combina características da rede com características de baixo nível, fornecendo informações espaciais ricas sobre os objetos em diferentes cabeçotes de detecção de camada. Conseguimos essa fusão usando evolução separável por profundidade, que equilibra custos de parâmetros e um grande campo receptivo. Na espinha dorsal da rede, usamos módulos RepVGG como camadas de redução de amostragem, aumentando a capacidade da rede de aprender características em múltiplas escalas e superando camadas convolucionais tradicionais. Os métodos Drone-YOLO propostos foram avaliados em experimentos de ablação e comparados com outras abordagens de ponta no conjunto de dados VisDrone2019. Os resultados demonstram que nosso Drone-YOLO (grande) supera outros métodos de referência na precisão da detecção de objetos. Comparado ao YOLOv8, nosso método alcança uma melhoria significativa nas métricas mAP0.5, com um aumento de 13,4% no VisDrone2019-teste e um aumento de 17,40% no VisDrone2019-val. Além disso, o Drone-YOLO (pequeno) eficiente em parâmetros, com apenas 5,25 M de parâmetros, apresenta desempenho equivalente ou melhor que o método de referência com 9,66 M de parâmetros no conjunto de dados. Esses experimentos validam a eficácia dos métodos Drone-YOLO na tarefa de detecção de objetos em imagens de drones.