LUD-YOLO：一种用于无人机的新型轻量级目标检测网络

LUD-YOLO：无人机轻量目标检测网络

最新推荐文章于 2025-10-20 14:24:59 发布

原创

最新推荐文章于 2025-10-20 14:24:59 发布 · 786 阅读

18 ·

CC 4.0 BY-SA版权

文章标签：

#YOLO #目标检测 #人工智能 #AI #深度学习 #无人机 #YOLOv8

亮点：

专为无人机打造的轻量级目标检测网络 LUD - YOLO。

提出全新特征融合模式，以解决特征交互退化问题。

推出新型特征提取模块，提升推理速度。

对模型进行轻量化调整，克服了在无人机应用中的不足。

对比结果表明，LUD - YOLO 性能优于其他 10 种同类模型。

代码地址：www.sciencedirect.com/science/article/pii/S0020025524012805

PART/1 概述

无人机自主执行任务在很大程度上依赖于目标检测。然而，大多数图像中的目标检测面临着诸如背景复杂、目标小以及存在遮挡等挑战。此外，无人机处理器有限的计算速度和内存也影响了传统目标检测算法的准确性。

我们提出了基于YOLOv8的面向无人机的小型轻量级目标检测算法LUD-Yolo 。该算法引入了一种新的多尺度特征融合模式，通过在特征金字塔网络和渐进式特征金字塔网络中引入上采样，解决了特征传播和交互中的退化问题。在Cf2模块中应用动态稀疏注意力机制，实现了灵活的计算分配和内容感知。此外，对所提出的模型进行了稀疏化和轻量化优化，使其能够部署在无人机边缘设备上。

最后，在VisDrone2019和UAVDT数据集上验证了LUD-YOLO的有效性和优越性。消融实验和对比实验结果表明，与原始算法相比，LUDY-N和LUDY-S在各项评估指标上均表现出色，这表明所提出的改进策略使模型具有更好的鲁棒性和泛化能力。而且，与其他多个流行的同类算法相比，所提出的改进策略使LUD-YOLO具有最佳的整体性能，为无人机目标检测在平衡模型大小和检测精度方面提供了有效的解决方案。

PART/2 背景和动机

近年来，由于无人机具有体积小、续航时间长、隐蔽性高以及操作简便等优点，它们能够替代人类执行更复杂或危险的特定任务。通过调整飞行位置和高度，无人机可以远距离探测并跟踪移动目标，从不同角度准确、快速地捕获目标信息，在短时间内实现对大面积区域的覆盖和监测，这使得无人机在军事和民用领域都广受欢迎。在农业领域，巴德拉（Bhadra）等人利用无人机获取的机载高光谱图像，实现了对玉米生物物理特性的准确高效估算；在电力领域，多（Duo）等人利用无人机实现了对配电线路的维护和检修；在地质勘探领域，刘等人利用无人机在高海拔山区实现了航空磁测；在城市巡检领域，万等人利用无人机在智慧城市中实现了对行人、车辆及其他物体的目标跟踪。利用无人机在复杂环境中实现目标识别和检测，极大地减轻了人类的工作量，但传统方法存在运行速度慢、精度低、计算冗余等问题，难以满足当前无人机发展的需求。因此，设计一种高效、准确的基于无人机的目标检测方法势在必行。