基于共享卷积的多尺度定向检测技术在无人机辅助的海事安全监控中的应用

《Research》：Multi-Scale Oriented Detection with Shared Convolution for UAV-Enabled Maritime Safety Surveillance

针对UAV海事监控中多角度、多尺度目标检测精度低和计算负担重的问题，提出轻量级定向检测模型MODet。通过LDFusion模块动态调整卷积核大小融合多尺度特征，结合共享卷积检测头SConvs减少参数量，并构建包含 inland、marine和复杂海事场景的三个定向标注数据集验证。实验表明MODet在保持3.27%精度提升的同时，参数量减少24.40%，显著优化了计算效率。

　　近年来，随着全球化的加速和海洋资源开发的推进，海上安全管理面临着前所未有的挑战。传统的海上监控手段，如自动识别系统（AIS）和雷达，虽然在某些方面表现良好，但在实时性和数据准确性方面存在局限性。例如，AIS数据可能被人为篡改或关闭，导致监控信息不可靠；而雷达虽然具备远距离和全天候监控能力，但其分辨率较低，难以区分不同类型的船只，也无法有效识别小型目标。与此同时，随着物联网（IoT）技术的快速发展，无人机（UAV）因其灵活部署、低成本、高覆盖和高数据采集精度，正逐步成为海上安全管理的重要工具。特别是在传统基础设施不足或无法到达的区域，无人机能够快速响应并提供高分辨率的图像数据，从而实现更精确的船只检测和动态追踪。

然而，无人机在海上监控中仍然面临诸多挑战。由于飞行高度和视角的变化，所采集的图像可能具有不同的尺度和角度，这对目标检测算法提出了更高的要求。此外，无人机计算资源有限，现有的检测模型往往参数过多，难以在边缘设备上高效运行。这些问题使得海上船只检测在实时性和准确性之间难以取得平衡。因此，本文提出了一种轻量级的多尺度定向检测模型MODet，旨在解决这些挑战，提高检测精度的同时降低模型复杂度，从而提升无人机在海上监控中的实际应用价值。

MODet的核心创新点在于引入了两个关键模块：LDFusion和SConvs。LDFusion是一种跨阶段部分特征融合模块，它能够根据不同的飞行高度和视角，自由调整卷积核的大小和形状，从而提取和融合不同尺度的特征。相比传统的固定方形卷积核，LDFusion避免了参数的二次增长，提高了特征提取的灵活性和效率。SConvs则是一种轻量级的定向检测头，通过共享卷积模块减少了模型参数的数量，同时提升了检测的准确性。这两个模块的结合，使得MODet在保持高效计算能力的同时，能够更准确地识别不同角度和尺度的船只目标。

为了验证MODet的性能，本文构建了三个新的海上数据集，包括一个内陆水道数据集（InlandVessel）、一个重新标注的海洋数据集（SeagullOBB）和一个重新标注的复杂海上数据集（MS2ShipOBB）。这些数据集涵盖了不同的场景，如内陆水域、海洋环境以及复杂多变的海上场景，从而更全面地评估模型在不同条件下的表现。实验结果显示，尽管MODet在检测精度上仅提升了3.27%，但其参数数量比最新方法减少了24.40%，这表明其在模型效率方面具有显著优势。

在实验过程中，MODet与多种先进的定向检测方法进行了比较，包括Faster R-CNN OBB、Oriented R-CNN、RetinaNet OBB、Double Head OBB、FCOS OBB、Gliding Vertex、RoI Transformer、S2ANet、YOLOv8 OBB、YOLOv11 OBB和YOLOv12 OBB。实验结果显示，MODet在三个数据集上的表现均优于其他方法，尤其是在复杂海上场景中，其在小尺度目标检测和多角度识别方面表现尤为突出。此外，MODet的推理速度和内存占用量也明显优于其他方法，使其更适合部署在资源受限的无人机平台上。

通过对比实验和消融研究，本文进一步验证了MODet的性能。消融研究显示，LDFusion模块在特征提取和融合方面发挥了重要作用，能够有效提升检测精度并减少参数数量。SConvs模块则在检测头设计上实现了参数优化，使得模型在保持高精度的同时，降低了计算负担。结合这两个模块，MODet在三个数据集上的表现均达到最优，尤其是在MS2ShipOBB数据集上，其在不同尺度和角度的目标检测中表现稳定。

此外，本文还探讨了MODet在不同场景下的适用性。在内陆水道场景中，MODet能够准确检测各种大小的船只，并在多角度和多光照条件下保持良好的性能。在海洋场景中，MODet在处理小目标、船尾波、阳光反射和镜面反射等复杂情况时，表现出较强的鲁棒性。而在复杂海上场景中，MODet能够有效应对多变的环境因素，如雾霾、复杂海岸线和远处的船只，展现出良好的适应性和检测能力。

总的来说，MODet在海上安全管理中具有重要的应用价值。它不仅能够提高检测精度，还能显著降低模型复杂度，使其更适合部署在资源受限的无人机平台上。未来，本文计划进一步优化模型，通过引入辅助传感器如雷达和AIS，实现多模态数据融合，从而提升检测的鲁棒性和准确性。此外，为了确保模型在实际应用中的广泛适用性，本文还计划扩展数据集，涵盖更多复杂和极端的海上场景，如恶劣天气、低能见度和拥挤的港口环境。这些改进将有助于MODet更好地适应多样化的海上监控需求，提升其在实际应用中的性能和实用性。