面向边缘部署的小目标检测框架：SDD-YOLO 用于地面-空中反无人机监视
计算机视觉与模式识别
2026-03-27 v1
摘要
从地面-空气（G2A）视角检测小型无人机（UAV） presents significant挑战，包括极低的像素占有率、杂乱的航空背景以及严格的实时性约束。现有的YOLO-based 检测器主要针对通用目标检测优化，往往缺乏针对亚像素目标的足够特征分辨率，同时在部署时引入复杂性。本文提出 SDD-YOLO，一个为G2A反无人机监视量身定制的小目标检测框架。为捕获微目标所必需的细粒度空间细节，SDD-YOLO引入了一个在4倍下采样上工作的P2高分辨率检测头。进一步集成YOLO26的最新架构进展，包括无DFL、无NMS的架构以简化推理，以及MuSGD混合训练策略结合ProgLoss和STAL，显著缓解稀疏小目标信号上的梯度振荡。为支持评估，我们构建了DroneSOD-30K数据集，包含约30,000张标注图像，覆盖多样气象条件。实验表明，SDD-YOLO-n 在DroneSOD-30K上实现86.0%的[email protected]，超越YOLOv5n基线提升7.8个百分点。广泛的推理分析显示，该模型在NVIDIA RTX 5090上达到226 FPS，在Intel Xeon CPU上达到35 FPS，显示出面向未来边缘部署的卓越效率。
引用
@article{arxiv.2603.25218,
title = {SDD-YOLO: A Small-Target Detection Framework for Ground-to-Air Anti-UAV Surveillance with Edge-Efficient Deployment},
author = {Pengyu Chen and Haotian Sa and Yiwei Hu and Yuhan Cheng and Junbo Wang},
journal= {arXiv preprint arXiv:2603.25218},
year = {2026}
}