YOLO-Ant：一种基于深度可分离卷积与大核设计的天线干扰源检测轻量级检测器
计算机视觉与模式识别
2024-02-21 v1
摘要
在 5G 通信时代，移除影响通信的干扰源是一项资源密集型任务。计算机视觉的快速发展使得无人机能够执行各种高空检测任务。由于天线干扰源目标检测领域尚未得到充分探索，该行业缺乏针对此特定任务的专用学习样本和检测模型。本文创建了一个天线数据集，以解决重要的天线干扰源检测问题，并作为后续研究的基础。我们引入了 YOLO-Ant，这是一种专为天线干扰源检测设计的轻量级 CNN 与 Transformer 混合检测器。具体而言，我们首先制定了网络深度和宽度的轻量级设计，确保后续研究在轻量级框架内进行。然后，我们提出了一种基于深度可分离卷积和大卷积核的 DSLK-Block 模块，以增强网络的特征提取能力，有效改善小目标检测。为了解决天线检测中背景复杂和类间差异大等挑战，我们构建了 DSLKVit-Block，这是一个结合了 DSLK-Block 和 Transformer 结构的强大特征提取模块。兼顾其轻量级设计和精度，我们的方法不仅在天线数据集上实现了最优性能，而且在公共数据集上也取得了具有竞争力的结果。
引用
@article{arxiv.2402.12641,
title = {YOLO-Ant: A Lightweight Detector via Depthwise Separable Convolutional and Large Kernel Design for Antenna Interference Source Detection},
author = {Xiaoyu Tang and Xingming Chen and Jintao Cheng and Jin Wu and Rui Fan and Chengxi Zhang and Zebo Zhou},
journal= {arXiv preprint arXiv:2402.12641},
year = {2024}
}