В данной статье предлагается легковесная модель обнаружения мелких объектов PRSU-YOLO для решения проблемы недостаточного обнаружения целей, особенно мелких, на изображениях с беспилотников с использованием существующих моделей. Во-первых, спроектирован сверточный адаптивный модуль с вентиляторной структурой для улучшения выделения тонких признаков; во-вторых, создан переформатируемый пространственно-канальный сверточный модуль для оптимизации многомасштабного представления через динамическое восстановление признаков; в-третьих, в шейную сеть встроена ветвь усиления обнаружения мелких объектов для построения пути усиления детализированных признаков высокого разрешения; наконец, введена функция потерь с динамическим масштабированием пересечения и объединения, позволяющая модели адаптивно настраивать стратегию регрессии ограничивающего прямоугольника. При увеличении вычислительной сложности всего на 14,6 GFLOPS, модель достигает mAP@0.5 37,4% на наборе данных VisDrone2019, что на 4,4% выше базовой модели; точность на наборе TinyPerson составляет 34,5%, увеличившись на 3,5%. Экспериментальные результаты показывают, что модель значительно улучшает способности обнаружения при эффективном контроле вычислительных затрат, обеспечивая эффективное решение задач обнаружения целей в условиях наблюдения с беспилотников.

компьютерное зрение;изображения с беспилотников;обнаружение мелких объектов;усиление признаков