无人机扫描-YOLO：面向无人机图像中小目标的冗余感知轻量检测
计算机视觉与模式识别
2026-04-16 v1 机器学习
图像与视频处理
摘要
无人机图像中的目标检测面临唯一挑战：小目标高度普遍、环境恶劣且计算资源受限。标准YOLO检测器未能同时解决这些问题：其最小检测步幅为8像素，导致亚32像素目标难以检测，其CIoU损失在目标框不重叠时产生零梯度，其架构包含显著滤波器冗余。我们提出DroneScan-YOLO，是一个综合性系统贡献，通过四个协调设计解决上述局限：(1)将输入分辨率提高至1280x1280以最大化小目标的空间细节、(2)RPA-Block，一种基于惰性余弦相似度更新的动态滤波削减机制，包含10个周期的热身期、(3)MSFD，一种步幅为4的轻量级P2检测分支，仅增加114,592个参数(+1.1%)、(4)SAL-NWD，一种结合归一化 Wasserstein距离与尺寸自适应CIoU加权的混合损失，集成到YOLOv8的TaskAligned分配管道中。在VisDrone2019-DET数据集上评估，DroneScan-YOLO实现55.3% mAP@50和35.6% mAP@50-95，超越YOLOv8s基线分别提升16.6和12.3分，召回率从0.374提升至0.518，保持96.7 FPS的推理速度，仅增加4.1%的参数。提升最显著于小目标类别：自行车AP@50从0.114提升至0.328(+187%)，遮阳三轮从0.156提升至0.237(+52%)。
引用
@article{arxiv.2604.13278,
title = {DroneScan-YOLO: Redundancy-Aware Lightweight Detection for Tiny Objects in UAV Imagery},
author = {Yann V. Bellec},
journal= {arXiv preprint arXiv:2604.13278},
year = {2026}
}
备注
12 pages, 10 figures