用于高度感知的无人机目标检测的动态卷积神经网络

《Scientific Reports》：Dynamic convolutional neural networks for altitude aware UAV object detection

　　

摘要

在无人机中实现物体检测具有很大难度，这主要是由于飞行高度和视角的巨大差异，再加上机载嵌入式系统有限的计算资源。传统的卷积神经网络虽然准确，但由于其较高的计算和内存需求，往往参数过多且效率低下，不适合用于实时的无人机应用。这类网络为处理各种类型的输入而设计，会执行不必要的操作，从而加重无人机平台上有限的处理器性能、内存和能源负担。本研究通过将无人机物体检测视为一种具备上下文感知能力的任务来克服这些限制，以飞行高度作为主要的自适应参数。我们为不同的飞行高度范围训练了专门的卷积神经网络架构，并研究了输入图像分辨率、网络宽度以及核大小等关键参数对检测性能和效率的影响。基于飞行高度的动态参数切换能够在不牺牲准确性的前提下实现高效的资源利用。通过两个具有不同飞行高度特征的数据集，我们证明了最佳的网络配置会因飞行高度的不同而有所差异，这凸显出进行高度特定适配的必要性。我们提出了一种基于阈值的切换机制，并详细分析了调整这些阈值如何影响检测精度和系统效率。实验结果表明，合理设定的阈值相比传统的非动态卷积神经网络，能够最小化精度损失并实现最大的资源节省。所提出的动态卷积神经网络框架为需要根据上下文进行适应的无人机应用，如监控、搜救和环境监测，提供了一种可扩展且节能的解决方案。