Pour résoudre le problème de détection insuffisante des cibles, notamment des petites cibles, dans les images de drones avec les modèles de détection existants, cet article propose un modèle léger de détection de petites cibles PRSU-YOLO. Tout d'abord, un module convolutif adaptatif en forme d'éolienne a été conçu pour améliorer la capacité d'extraction des caractéristiques fines ; ensuite, un module convolutionnel d'espace-canal reparamétré a été construit pour optimiser la représentation multi-échelle par reconstruction dynamique des caractéristiques ; de plus, une branche renforcée de détection des petites cibles a été intégrée dans le réseau du cou pour construire un chemin de renforcement des caractéristiques détaillées à haute résolution ; enfin, une fonction de perte dynamique de rapport d'intersection sur union a été introduite pour permettre au modèle d'ajuster de manière adaptative la stratégie de régression des boîtes englobantes. Sur la base d'une complexité de calcul n’augmentant que de 14,6 GFLOPS, notre modèle atteint un mAP@0.5 de 37,4% sur le jeu de données VisDrone2019, soit une amélioration de 4,4% par rapport au modèle de référence ; la précision sur le jeu TinyPerson atteint 34,5%, une augmentation de 3,5%. Les résultats expérimentaux montrent que ce modèle améliore significativement les capacités de détection tout en contrôlant efficacement les coûts de calcul, fournissant une solution efficace pour les tâches de détection d’objets dans les scénarios d’observation terrestre par drones.

vision par ordinateur;images de drones;détection de petites cibles;renforcement des caractéristiques