YOLO-FEDER FusionNet 在视觉复杂环境中无人机检测性能优化
计算机视觉与模式识别
2025-09-18 v1
摘要
在视觉复杂环境中的无人机检测仍具挑战性，主要due to 背景杂乱、目标尺寸较小以及伪装效应。虽然 YOLO 等通用目标检测器在低纹理场景中表现出强性能，但在杂乱环境且目标-背景分离性差的场景中效果下降。为此，本文提出了 YOLO-FEDER FusionNet 的改进版——一种集成通用目标检测与伪装目标检测技术的检测框架。基于原始架构，本文迭代方案在训练数据构成、特征融合策略和骨干网络设计方面系统性地进行了改进。具体而言，训练过程利用大规模逼真合成数据，辅以少量真实样本，以提升在视觉复杂条件下的鲁棒性。系统评估了中间多尺度 FEDER 特征的贡献，并综合基准测试多个 YOLO 系列骨干网络配置下的检测性能。经验结果表明，融合中间 FEDER 特征并结合骨干网络升级，可显著提升检测性能。在最具前景的配置下——采用 YOLOv8l 骨干网络并来自 DWD 模块的 FEDER 特征——这些增强措施相对于初始基线，使 FNR 降低最高可达 39.1 个百分点，mAP 提升最高可达 62.8 个百分点（IoU 阈值为 0.5）。
引用
@article{arxiv.2509.14012,
title = {Performance Optimization of YOLO-FEDER FusionNet for Robust Drone Detection in Visually Complex Environments},
author = {Tamara R. Lenhard and Andreas Weinmann and Tobias Koch},
journal= {arXiv preprint arXiv:2509.14012},
year = {2025}
}