摘要
无人机（UAV）遥感为高寒草地环境中的牲畜监测提供了一种有效途径，特别是在传统实地调查受复杂地形和大范围空间覆盖限制的地区。然而，垂直俯视视角无人机影像中的牲畜目标通常较小、分布密集、部分被遮挡，并且与周围植被背景在视觉上相似，这给精确检测带来了挑战。此外，在高分辨率无人机图像中手动标注大量个体动物既耗时又费力。为了减少对大量人工标注的依赖，同时提高未标注无人机影像的利用率，本研究提出了DLCAPL（双视图定位一致性与可靠性加权伪标签学习），一种基于YOLOv13s的半监督牲畜检测框架。在基于指数移动平均（EMA）的教师-学生框架内，引入了一种双视图定位一致性机制，以根据增强视图间的定位稳定性评估伪标签的可靠性。进一步利用中等置信度阈值和高置信度阈值，将教师预测分层划分为可靠、弱和忽略的伪标签。对于弱伪标签，联合使用分类置信度和定位一致性来估计可靠性，并分配可靠性感知的监督权重，从而在保留有信息量的困难目标的同时，减少噪声伪标签的影响。实验在一个自建的无人机牲畜数据集上进行，该数据集采集自若尔盖高寒草地，包含602张图像和57390个牲畜实例。在仅使用30%标注数据和70%未标注数据的情况下，DLCAPL达到了73.28%的mAP@0.5和50.68%的mAP@0.5:0.95。与相同标注比例下的监督基线相比，DLCAPL分别将这两项指标提高了17.96和16.43个百分点，同时接近使用100%标注数据训练的完全监督YOLOv13s模型的性能。这些结果表明，DLCAPL能够有效利用未标注的无人机影像，减少标注需求，并在复杂高寒草地环境中保持有竞争力的牲畜检测性能。
