Para resolver o problema da detecção insuficiente de alvos, especialmente pequenos alvos, em imagens de drones usando modelos de detecção existentes, este artigo propõe um modelo leve de detecção de pequenos alvos PRSU-YOLO. Primeiro, foi projetado um módulo convolucional adaptativo com estrutura de moinho de vento para melhorar a capacidade de extração de características detalhadas; em seguida, foi construído um módulo convolucional espaço-canal reparametrizado que otimiza a representação multiescala por meio da reconstrução dinâmica de características; além disso, um ramo de reforço para detecção de pequenos alvos foi incorporado na rede do pescoço, construindo um caminho de reforço para características detalhadas de alta resolução; por fim, foi introduzida uma função de perda dinâmica de razão de interseção sobre união, permitindo que o modelo ajuste adaptativamente a estratégia de regressão da caixa delimitadora. Baseado em um aumento de complexidade computacional de apenas 14,6 GFLOPS, o modelo alcançou um mAP@0,5 de 37,4% no conjunto de dados VisDrone2019, um aumento de 4,4% em relação ao modelo base; no conjunto TinyPerson, a precisão atingiu 34,5%, um aumento de 3,5%. Os resultados experimentais mostram que este modelo melhora significativamente a capacidade de detecção, ao mesmo tempo que controla eficazmente o custo computacional, proporcionando uma solução eficaz para tarefas de detecção de alvos em cenários de observação terrestre com drones.

visão computacional;imagens de drones;detecção de pequenos alvos;reforço de características