Um das Problem der unzureichenden Erkennung von Zielen, insbesondere kleinen Zielen, in Drohnenbildern mit bestehenden Erkennungsmodellen zu lösen, wird in diesem Artikel ein leichtgewichtiges Modell zur Erkennung kleiner Ziele namens PRSU-YOLO vorgeschlagen. Zunächst wurde ein windmühlenförmiges konvolutionales adaptives Modul entwickelt, um die Fähigkeit zur Extraktion feiner Merkmale zu verbessern; zweitens wurde ein reparametrisierter Raum-Kanal-Konvolutionsmodul aufgebaut, der die multiskalige Darstellung durch dynamische Merkmalserneuerung optimiert; drittens wurde im Halsnetzwerk ein Verstärkungszweig für die Erkennung kleiner Ziele eingebettet, um einen Pfad zur Verstärkung hochauflösender Detailmerkmale zu schaffen; schließlich wurde eine dynamische Intersection-over-Union-Verlustfunktion eingeführt, die es dem Modell ermöglicht, die Strategie der Begrenzungsrahmenregression adaptiv anzupassen. Auf Basis einer nur um 14,6 GFLOPS erhöhten Rechenkomplexität erreicht das Modell auf dem VisDrone2019-Datensatz eine mAP@0,5 von 37,4 %, was eine Verbesserung von 4,4 % gegenüber dem Basismodell darstellt; auf dem TinyPerson-Datensatz beträgt die Präzision 34,5 %, eine Steigerung um 3,5 %. Die experimentellen Ergebnisse zeigen, dass dieses Modell die Erkennungsfähigkeit deutlich verbessert und gleichzeitig die Rechenkosten effektiv kontrolliert, wodurch eine effektive Lösung für Zielerkennungsaufgaben in bodengestützten Überwachungsszenarien mit Drohnen bereitgestellt wird.

Computer Vision;Drohnenbilder;Erkennung kleiner Ziele;Merkmalsverstärkung