RE-YOLO:一种面向无人机遥感影像的轻量级小目标检测方法

《Annals of GIS》:RE-YOLO: a lightweight small object detection method for UAV remote sensing imagery

【字体: 大 中 小 】 时间:2026年01月21日 来源:Annals of GIS 4.8

编辑推荐:

  为了解决无人机遥感影像中复杂场景下准确提取目标特征的挑战以及小目标易被噪声遮挡的问题,研究人员提出了一种基于YOLOv8n的轻量级检测算法RE-YOLO。首先,一个名为RFCSConv的多尺度卷积模块,它集成了基于感受野注意力卷积(RFAConv)的通道和空间

  
为了解决无人机遥感影像中复杂场景下准确提取目标特征的挑战以及小目标易被噪声遮挡的问题,研究人员提出了一种基于YOLOv8n的轻量级检测算法RE-YOLO。首先,一个名为RFCSConv的多尺度卷积模块,它集成了基于感受野注意力卷积(RFAConv)的通道和空间注意力机制,取代了原始的卷积层。这增强了多尺度下的特征选择和融合。其次,骨干网络中引入了高效挤压激发模块(ESEModule)以增强特征表示同时减少计算开销。最后,提出了一种复合损失函数Win-IoU,结合了Wise-IoU(WIoU)和Inner-IoU,根据锚框质量动态调整梯度贡献。在VisDrone2019数据集上的实验结果表明,RE-YOLO仅用3.2MB参数和150 FPS的实时速度就达到了29.7%的mAP@0.5。该算法在HRSID和CARPK数据集上也具有良好的泛化能力,分别达到91.8%和94.3%的mAP@0.5。
无人机遥感影像中的小目标检测面临特征提取困难、小目标易被复杂背景噪声遮挡等挑战。现有基于深度学习的检测算法在中等和大尺度目标上表现优异,但在小目标检测中精度和鲁棒性不足,尤其受限于无人机平台的计算资源与实时性要求。为平衡精度与效率,研究人员以YOLOv8n为基线,提出RE-YOLO算法。该算法在VisDrone2019、UAVDT、CARPK和HRSID四个公开数据集上验证,在保持轻量级(3.2MB参数)和实时速度(150 FPS)的前提下,显著提升小目标检测精度,mAP@0.5较基线提升2.7%,并展现出跨数据集泛化能力。论文发表在《Annals of GIS》。

研究人员采用的关键技术方法包括:①多尺度卷积模块RFCSConv,基于感受野注意力卷积(RFAConv)融合通道与空间注意力,替代原始卷积层以增强多尺度特征选择与融合;②高效挤压激发模块(ESEModule),在骨干网络末层用单层全连接层替代双层降维结构,保留通道信息并降低计算开销;③复合损失函数Win-IoU,结合Wise-IoU(WIoU)与Inner-IoU,根据锚框质量动态调整梯度权重,聚焦中等质量锚框,提升小目标定位精度与模型泛化能力。实验所用样本队列来源为VisDrone2019、UAVDT、CARPK和HRSID四个公开数据集。

Comparative experiments:在VisDrone2019数据集上与多种YOLO系列算法对比,RE-YOLO在10个类别中9个达到最高检测精度,车辆类别(car、van、truck等)较基线提升超过3%,mAP@0.5达29.7%,较YOLOv8n提升2.7%。参数仅增加0.2M,FLOPs增加0.8 GFLOPs,FPS为150,满足实时性。在UAVDT数据集上,RE-YOLO的mAP@0.5为36.4%,较基线提升4.6%,FPS为159;在CARPK数据集上,mAP@0.5为94.3%,较基线提升3.2%,FPS为115;在HRSID数据集上(SAR图像),mAP@0.5为91.8%,较基线提升0.9%,FPS为57。热力图可视化显示,RE-YOLO在白天、夜间、密集和稀疏场景中均减少漏检和误检,尤其对边缘小目标检测鲁棒。

Comparative experiment on loss functions:在VisDrone2019数据集上,使用CIoU、DIoU、EIoU、SIoU、WIoU三种版本及Win-IoU对比,在损失曲线基本一致的情况下,Win-IoU获得最高的mAP@0.5和mAP@0.5–0.95,验证了其有效性。

Ablation experiment:在四个数据集上以YOLOv8n为基线进行消融实验。单独使用RFCSConv提升mAP约0.2-0.5个百分点;单独使用ESEModule提升约0.1-0.3个百分点;单独使用Win-IoU在VisDrone2019上降低0.2%,但结合RFCSConv和ESEModule后达到最优。RFCSConv与ESEModule组合在VisDrone2019上较单独RFCSConv降低0.2%,可能因注意力冗余,但全配置(RFCSConv+ESEModule+Win-IoU)在所有数据集上取得最佳mAP,表明各模块协同有效。

讨论部分总结:RE-YOLO通过RFCSConv模块的多尺度特征提取与融合、ESEModule的通道信息增强、Win-IoU损失函数的动态梯度分配,显著提升了小目标检测性能,同时保持低计算成本和实时速度,适合无人机平台部署。未来可在更大规模数据集和更多样化场景中进一步优化,并探索其在其他领域的应用。

研究结论翻译:提出的RE-YOLO算法引入了若干关键改进,有效增强了无人机遥感影像中小目标的检测性能。在RE-YOLO中,多尺度卷积模块RFCSConv展现出强大的多尺度特征提取与融合能力,通过集成通道和空间注意力机制,增强了模型在复杂背景下捕获小目标细粒度特征的能力。此外,ESEModule的引入进一步提升了模型的特征表示能力。同时,Win-IoU复合损失函数根据锚框质量动态调整梯度贡献,从而优化训练过程,增强模型在小目标检测中的泛化能力和鲁棒性。在显著提升检测精度的同时,RE-YOLO保持低计算成本,实现了速度与精度之间的良好平衡,使其非常适合无人机基小目标检测任务。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号