EDFNet：用于无人机导航中薄障碍分割的边缘深度早期融合
计算机视觉与模式识别
2026-04-14 v1
摘要
自动无人机（UAV）必须可靠检测薄型障碍物，如电线、杆柱和树枝，以在真实环境中安全导航。这些结构因占据像素稀少、视觉对比度弱且受类不平衡影响而难以感知。现有分割方法主要针对较粗大的障碍物，未充分利用针对薄结构感知所必需的互补多模态线索。我们提出EDFNet，一个模块化的早期融合分割框架，集成RGB、深度和边缘信息，用于杂乱航空场景中的薄障碍感知。我们在无人机深度与障碍分割（DDOS）数据集上评估EDFNet，测试16种模态-骨干网络配置，采用U-Net和DeepLabV3的预训练和非预训练设置。结果表明，早期RGB-Depth-Edge融合提供了具竞争力且均衡的基线，最一致的收益体现在边界敏感和召回率导向的指标上。预训练的RGBDE U-Net实现最佳整体性能，Thin-Structure Evaluation Score最高（0.244），平均IoU（0.219），边界IoU（0.234），同时在评估硬件上保持竞争的运行时性能（19.62 FPS）。然而，所有模型在最稀有的超薄类别上的性能仍然较低，表明可靠的超薄分割仍是一个开放挑战。总体而言，这些发现将早期RGB-Depth-Edge融合定位为无人机导航中薄障碍分割的实用且模块化基线。
引用
@article{arxiv.2604.09694,
title = {EDFNet: Early Fusion of Edge and Depth for Thin-Obstacle Segmentation in UAV Navigation},
author = {Negar Fathi},
journal= {arXiv preprint arXiv:2604.09694},
year = {2026}
}