RBDYOLO 提升了低空遥感影像中的小目标检测

《Scientific Reports》：RBDYOLO improves small object detection in low altitude remote sensing imagery

　　

摘要

低空无人机（UAV）图像越来越多地用于交通监控、基础设施检查和应急感知，然而鸟瞰视图表现出显著的尺度多样性、微小的物体足迹和杂乱的背景。因此，基于 P3-P5 金字塔的默认 YOLO 风格单阶段检测器可能会遭受耦合的跨尺度不对齐和尺度内感受野不匹配的问题，从而增加了对微小实例的漏检和校准不稳定。为了严格的可比性，RBD-YOLO 建立在 Ultralytics YOLO11 宏图和训练方案之上，通过三种协调的方法来应对这些瓶颈：（R）尺度内自适应感受野重加权，（B）可学习的跨尺度加权融合，以及（D）尺度 - 空间 - 任务联合动态校准。在一个统一协议下，以 VisDrone-DET 验证作为主要基准，UAVDT 作为辅助跨数据集检查，RBD-YOLO 在 VisDrone 上达到了 49.6% 的精确率、39.4% 的召回率和 40.1% 的 mAP@0.5，优于同系列 YOLOv11n 基线（44.4%、33.2%、33.1%），并且在 mAP@0.5 上仍然领先于新添加的更大规模 YOLO 家族对比模型。在 UAVDT 上，它达到了 98.2% 的 mAP@0.5 和 95.4% 的召回率，表明在一个几乎饱和的以车辆为中心的基准测试上具有竞争力的跨数据集表现。消融实验将可分解的收益归因于方法 B 和 R，通过拓宽融合带宽带来主要增量，并在跨尺度容量充足后由方法 D 进行进一步细化；在 640 × 640 分辨率下，完整模型使用约 347 万参数和 16.4 GFLOPs，为类似 VisDrone 的空中小目标检测提供了可解释的精度 - 复杂度权衡。