基于无监督域适应与教师-学生自训练的鲁棒多天气无人机小目标检测框架

《Scientific Reports》：Robust multi-weather UAV small object detection framework with complex entropy-aware and wavelet convolution

　　在雾、霾、雨、雪等恶劣天气条件下，无人机（UAV）小目标检测由于图像质量下降和物体特征模糊导致准确率降低，严重影响了低空检测任务的可靠性。为应对这一挑战，本文提出了一种基于无监督域适应和教师-学生自训练范式的鲁棒多天气无人机小目标检测框架。所提框架引入了复杂熵感知注意力和波纹卷积，以增强恶劣天气退化下的目标表示能力。针对多天气场景中的域分布差异，该框架通过更鲁棒的类别级原型匹配和基于DATR（域适应检测Transformer模型）的全局统计特征学习来缓解这种差异。首先，为缓解恶劣天气噪声引入的特征不确定性，我们设计了一种复杂熵感知注意力机制，该机制估计通道级的Shannon熵并根据特征信息集中度分配自适应权重。该机制并非简单地强调不确定的响应，而是在天气退化下保留更可靠的低熵判别性表示的同时，抑制高熵的模糊特征。其次，为了解决传统卷积在捕获小目标全局上下文和区分物体与噪声方面的局限性，我们提出使用波纹卷积，利用频域多尺度分解和大的感受野，加强小目标的全局上下文捕获，并通过频率滤波改善物体与噪声的区分。最后，为了进一步提高跨天气域偏移下教师模型演化的稳定性，我们设计了一种分组EMA（指数移动平均）策略。与采用全局固定衰减系数的传统Mean Teacher或BYOL框架不同，所提策略根据特征适应需求动态调整分组参数更新率，为域适应提供了更灵活的优化轨迹。实验结果表明，所提框架在多种恶劣天气域偏移场景下提升了无人机小目标检测性能，同时展现出对天气引起的特征退化的良好鲁棒性。