EDNet：面向无人机图像的边缘优化小目标检测——更快的上下文注意力、更好的特征融合与硬件加速
计算机视觉与模式识别
2025-01-13 v1 人工智能
机器学习
摘要
在无人机图像中检测小目标由于低分辨率、复杂背景和动态场景而具有挑战性。我们提出了EDNet，一种新颖的边缘目标检测框架，基于增强的YOLOv10架构，针对无需后处理的实时应用进行了优化。EDNet引入了XSmall检测头和Cross Concat策略，以改进特征融合和多尺度上下文感知，从而在多样化环境中检测微小目标。我们独特的C2f-FCA模块采用Faster Context Attention来增强特征提取，同时降低计算复杂度。采用WIoU损失函数以改进边界框回归。从Tiny到XL的七种模型尺寸使EDNet能够适应各种部署环境，实现本地实时推理并确保数据隐私。值得注意的是，EDNet在参数显著减少的情况下，mAP@50提升了高达5.6%。在iPhone 12上，EDNet变体的运行速度范围为16到55 FPS，为具有挑战性的无人机图像中的边缘目标检测提供了可扩展且高效的解决方案。源代码和预训练模型可在https://github.com/zsniko/EDNet获取。
引用
@article{arxiv.2501.05885,
title = {EDNet: Edge-Optimized Small Target Detection in UAV Imagery -- Faster Context Attention, Better Feature Fusion, and Hardware Acceleration},
author = {Zhifan Song and Yuan Zhang and Abd Al Rahman M. Abu Ebayyeh},
journal= {arXiv preprint arXiv:2501.05885},
year = {2025}
}
备注
Accepted in 21st IEEE International Conference on Ubiquitous Intelligence and Computing (UIC 2024) https://www.ieee-smart-world.org/2024/uic