DEAL-YOLO：基于YOLO的无人机高效动物定位
计算机视觉与模式识别
2025-03-07 v1
摘要
尽管深度学习和航空监视技术的进步正在改善野生动物保育努力，但复杂且不规则的环境条件仍然是一个问题，需要创新解决方案以实现成本效益高的小型动物检测。本工作引入DEAL-YOLO，一种新方法，通过使用诸如Wise IoU（WIoU）和归一化沃尔赫斯坦距离（NWD）等多目标损失函数来提高无人机（UAV）图像中小目标检测效果，这些函数优先考虑边界框中心附近的像素，确保更平滑的定位并减少突变性偏移。此外，该模型通过使用线性可变形（LD）卷积进行高效特征提取进行优化，既提高了准确性又保持了计算效率。Scaled Sequence Feature Fusion（SSFF）模块通过有效捕获跨尺度关系来增强目标检测，改进特征表示并通过优化多尺度融合来提升指标。与基线模型的比较显示，其效果极佳，参数数量比Yolov8-N模型减少了最高达69.5%。通过这一方法，我们的论旨旨在促进濒危物种的检测、动物 Population 分析、栖息地监测、生物多样性研究以及其他各种丰富野生动物保育努力的应用。DEAL-YOLO采用两阶段推理范例进行目标检测，通过细化选定区域来提高定位和置信度。这一方法尤其适用于小型实例和低目标度评分，显著提升了性能。
引用
@article{arxiv.2503.04698,
title = {DEAL-YOLO: Drone-based Efficient Animal Localization using YOLO},
author = {Aditya Prashant Naidu and Hem Gosalia and Ishaan Gakhar and Shaurya Singh Rathore and Krish Didwania and Ujjwal Verma},
journal= {arXiv preprint arXiv:2503.04698},
year = {2025}
}
备注
Accepted as a Poster at the ML4RS Workshop at ICLR 2025