YOLOBirDrone：面向鸟类与无人机检测分类的数据集与基于 YOLO 的增强学习架构
计算机视觉与模式识别
2026-01-14 v1
摘要
航空无人机因其在商业和防御应用中的多重优势，已广泛部署于多个领域。然而，它们也日益被用于针对性攻击，构成显著安全挑战，亟需无人机检测系统的开发。现有视觉无人机检测系统准确率受限，难以区分无人机与小型鸟类。本研究提出 novel YOLOBirDrone 架构，提高鸟类与无人机的检测与分类准确率。YOLOBirDrone 包含自适应扩展层聚合 (AELAN)、多尺度渐进双注意力模块 (MPDA) 及反向 MPDA (RMPDA)，以保留形状信息并丰富局部与全局空间及通道特征。本文还引入大规模数据集 BirDrone，包含小型且具挑战性的目标，以实现稳健的航空目标识别。实验结果表明，所提 YOLOBirDrone 架构在多种场景下实现性能指标提升，检测准确率约达85%。
引用
@article{arxiv.2601.08319,
title = {YOLOBirDrone: Dataset for Bird vs Drone Detection and Classification and a YOLO based enhanced learning architecture},
author = {Dapinder Kaur and Neeraj Battish and Arnav Bhavsar and Shashi Poddar},
journal= {arXiv preprint arXiv:2601.08319},
year = {2026}
}
备注
8 pages, 4 figures, and submitted to a journal for review