融合动态稀疏的无人机小目标算法
徐祥磊
徐勤军
胡永强
阜阳师范大学 计算机与信息工程学院,安徽 阜阳 236037
摘要：针对小目标分布不均匀,特征信息不明显等特性造成的漏检、误检等问题,提出了一种轻量化无人机小目标检测算法BEW-YOLO.将原来的损失函数替换成基于高斯Wasserstein距离(Gaussian Wasserstein distance,GWD)Loss损失函数,优化目标边界不连续的问题.通过嵌入用于检测小目标的160×160 检测头,以增强对小目标检测能力.引入高效通道注意力(efficient channel attention,ECA)模块和动态稀疏注意力机制BiFormer,增强模型对于目标的特征信息提取能力,提高检测的准确度.在VisDrone2019 数据集上进行的实验结果显示,相较于基线算法YOLOv8n,mAP@0.5 和mAP@0.5:0.9 分别提升了6.9%和 4.3%,而精确度(P)和召回率(R)同步提升了 5.8%和 7.3%.在RSOD和NWPU VHR-10 数据集上进行泛化实验,mAP@0.5 分别提升了2.1%和3.5%,且整体模型的参数量仅为 3.2 M,表明提出的BEW-YOLO算法能够有效的完成小目标检测的任务.
关键词：小目标检测YOLO注意力机制损失函数轻量级
分类号：TP391(计算技术、计算机技术)
资助基金：阜阳师范大学博士启动项目(2021KYQD0036)
论文发表日期：2025-12-15
在线出版日期：2026-04-01（本平台首次上网日期，不代表文献的发表时间）
页数：13( 308-320 )
英文信息