通过深度轨迹预测实现实时延迟补偿的超宽频（UWB）定位技术，适用于动态移动体

《Expert Systems with Applications》：Real-Time Delay-Compensated UWB Localization for Dynamic Agents via Deep Trajectory Prediction

针对无人机场景下小目标检测精度低、计算成本高等问题，提出轻量级YOLOv8改进模型LYA-YOLO，通过SIF模块增强空间语义融合，IIA-GhostC2f模块优化小目标特征表示，LDCN-Head提升多尺度感知，在VisDrone和UAVDT数据集上实现AP提升4%，参数减少超70%，计算量显著降低。

　　

吴鹏伟|徐云峰|马玉杰|张燕|徐云玲

河北科技大学信息科学与工程学院，中国河北省石家庄市050018

摘要

无人驾驶飞行器（UAV）的进步显著扩展了其应用领域，包括城市监控、智能交通和基础设施检查。然而，现有的基于UAV的对象检测模型仍存在一些局限性，例如在小对象检测方面的准确性较低、实时性能受限以及计算成本较高。这些限制阻碍了它们在资源受限设备上的部署能力及其实时检测能力。为了解决这些问题，本文介绍了轻量级精确检测器系列LYA-YOLO，该检测器专为航空成像场景设计。我们的方法包含三个核心组件：Split-Interactive Fusion（SIF）模块增强了空间语义特征聚合能力；IIA-GhostC2f模块结合了交错交互式注意力和GhostDynamic卷积，以实现高效的小对象表示；而LDCN-Head则专注于提高对多尺度对象的自适应感知能力。在VisDrone和UAVDT数据集上的实验表明，LYA-YOLO在准确性和效率之间取得了出色的平衡：与现有的实时检测器相比，它在提高AP（平均精度）的同时，将参数和浮点运算量减少了70%以上。广泛的实验验证了LYA-YOLO具有高准确性、低延迟和极低的资源消耗。

引言

近年来，对象检测模型已广泛应用于自动驾驶、视频监控和无人驾驶飞行器（UAV）等领域（Gu, Han, Kong, Huang, Li, Fan, Wu, 2025; Luo, Yuan, 2025; Wang, Dong, Xu, 2025b），取得了显著进展。特别是在基于视觉的UAV场景中，这些检测器可以监控和识别各种环境中的对象，包括宽角度视野中的小型对象（如车辆和行人）。然而，由于小型对象的像素规模有限且外观稀疏模糊，检测它们存在很大挑战。这一特性使得学习高质量的小对象表示变得困难，导致现有检测方法在检测和定位小型对象时难以达到预期准确性。

为了提高小型对象的检测能力，多项研究（Tong, Wu, 2024; Wang, Ma, Yang, Zou, 2023b; Zeng, Wu, Wang, Li, Liu, Liu, 2022）采用了特征融合方法来弥补单一特征的不足。这增强了小型对象特征的捕获和表示能力，从而提高了检测准确性。Han等人（2022）提出了GhostNet架构，通过使用更少的真实卷积核生成主要特征，并通过线性操作高效地产生冗余的“幽灵”特征，实现了轻量级的特征提取和表示。此外，Chen等人（2020）提出了动态卷积，它可以根据输入特征自适应地生成卷积核权重，使卷积操作能够动态适应不同的图像背景和对象尺度，显著提高了特征提取的灵活性和鲁棒性。

尽管上述方法提高了小型对象的检测性能，但主流的对象检测算法目前仍难以通过多层卷积和池化操作构建的骨干网络整合和保留表面信息，从而导致不匹配问题。当图像分辨率较低或对象尺寸较小时，卷积操作可能会因重复的下采样和聚合操作而丢失详细信息。现有方法（Meethal, Granger, & Pedersoli, 2023）缺乏有效机制来增强目标区域的聚焦和识别能力。在特征提取和融合过程中，关键细节经常丢失，导致对象和背景之间的区分不清，从而影响检测准确性。

为了解决与小型对象检测相关的挑战，我们旨在实现一种更高效的网络架构，以满足无人机实时图像分析的准确性和效率要求。我们提出的LYA-YOLO相比基线YOLOv8（Jocher等人，2022）模型具有更少的训练参数和更低的计算负载。在广泛使用的航空图像基准数据集（如VisDrone 2019（Du等人，2019）和UAVDT（Du等人，2018）上的实验表明，LYA-YOLO在各种模型尺度上均显著优于之前的YOLO变体，在准确性和效率之间取得了更好的平衡。结果如图1所示。我们的贡献可以总结如下：

•

我们推出了一系列用于不同模型尺度的航空图像检测的实时检测器LYA-YOLO，在准确性和效率之间实现了高度平衡的平衡。

•

我们提出了一种功能互补的映射模块（SIF），通过将丰富的语义信息与精确的空间位置数据相结合，增强了深度网络中小对象的功能匹配。

•

我们提出了一种更轻量级、更高效的检测头（LDCN-Head）来替代原始的YOLO检测头。该检测头不仅提高了对多尺度对象的感知能力，还简化了网络架构，进一步提高了检测效率。

相关研究

相关工作

在无人机航拍等高分辨率场景中，小型对象检测仍面临准确性不足和资源限制的挑战。为了解决这个问题，我们探索了包括小型对象检测方法、轻量级骨干网络增强、多尺度颈部特征融合和检测头设计等方法，以提高检测准确性和模型的部署能力。

方法论

对于无人机场景，本文对YOLOv8进行了系统的轻量化和小型目标友好的增强，从骨干网络到检测头进行了改进。如图2所示，分支交互融合模块SIF被嵌入到骨干网络的不同阶段。在骨干网络的最终阶段，引入了MSC多尺度卷积以增强对不同尺度对象的感知。

在特征融合阶段，进行了差异替换

实验与结果分析

为了确保实验设置的严谨性和结果的可重复性，本节提供了实施细节的系统性解释。

结论

本文通过提出一种高效的轻量级对象检测框架LYA-YOLO，解决了无人机航拍场景中小对象检测准确率低和计算开销高的问题。通过特征提取、特征融合和检测头三个层面的系统改进，该模型在准确性和效率之间实现了最佳平衡。具体而言，所提出的SIF模块通过

未引用的参考文献

缺少参考文献表5

作者贡献声明

吴鹏伟：软件实现、形式分析、概念构思、初稿撰写、验证、审稿与编辑。徐云峰：验证、监督、资金获取、审稿与编辑、项目管理。马玉杰：可视化、审稿与编辑。张燕：审稿与编辑。徐云玲：审稿与编辑。

利益冲突声明

作者声明他们没有已知的财务利益冲突或个人关系可能影响本文所述的工作。