SL-YOLO：一种更强更轻的无人机目标检测模型
计算机视觉与模式识别
2025-01-14 v3
摘要
在复杂场景（例如无人机捕获的场景）中检测小目标是一项艰巨的挑战，因为难以捕获小目标的复杂特征。尽管 YOLO 系列在大型目标检测中取得了巨大成功，但其在面对小目标时的性能却不尽如人意。因此，本文提出了一种革命性的模型 SL-YOLO（Stronger and Lighter YOLO），旨在打破小目标检测的瓶颈。我们提出了分层扩展路径聚合网络（Hierarchical Extended Path Aggregation Network, HEPAN），这是一种开创性的跨尺度特征融合方法，即使在最具挑战性的环境中也能确保无与伦比的检测精度。同时，在不牺牲检测能力的前提下，我们设计了 C2fDCB 轻量级模块并添加了 SCDown 下采样模块，以大幅减少模型的参数量和计算复杂度。我们在 VisDrone2019 数据集上的实验结果显示出性能的显著提升，[email protected] 从 43.0% 跃升至 46.9%，[email protected]:0.95 从 26.0% 提升至 28.9%。同时，模型参数量从 11.1M 减少至 9.6M，FPS 可达 132，使其成为资源受限环境下实时小目标检测的理想解决方案。
引用
@article{arxiv.2411.11477,
title = {SL-YOLO: A Stronger and Lighter Drone Target Detection Model},
author = {Defan Chen and Luchan Zhang},
journal= {arXiv preprint arXiv:2411.11477},
year = {2025}
}