面向空中目标拦截的轻量化弱小目标检测方法与应用

作     者：卢田雨 秦闻远 化永朝 潘成伟 李清东 董希旺 LU Tianyu;QIN Wenyuan;HUA Yongzhao;PAN Chengwei;LI Qingdong;DONG Xiwang

作者机构：北京航空航天大学自动化科学与电气工程学院北京100191 北京航空航天大学人工智能学院北京100191 北京航空航天大学无人系统研究院北京100191 

出 版 物：《导航定位与授时》 (Navigation Positioning and Timing)

年 卷 期：2024年第11卷第5期

页      面：66-81页

学科分类：08[工学] 081105[工学-导航、制导与控制] 0811[工学-控制科学与工程] 

基　　金：国家自然科学基金(U2241217,62103023,62103016,62203032) 北京市自然科学基金(JQ23019,4232046) 中国科协青年人才托举工程(2021QNRC001) 北京市科协青年人才托举工程(BYESS2022186) 航空科学基金(2022Z071051015) 中央高校基本科研业务费专项资金(YWF-23-T-207,YWF-23-L-1138) 

主　　题：无人机拦截 弱小目标 轻量化目标检测模型 YOLOv5 深度学习 自注意力机制 

摘      要：空中目标拦截技术依赖于目标检测与跟踪技术,而弱小目标检测作为其中的难点,其效果将直接影响整个系统的性能。针对此问题,提出了一种面向空中目标拦截的轻量化弱小目标检测方法。首先,针对弱小目标全局信息较少的问题,以YOLOv5作为基础网络,使用Swin Transformer替代其结构中的C3模块,从而增强网络的局部信息捕获能力。随后,为了补偿被稀释的语义信息,在此基础上提出具备跨连接策略的特征融合网络,通过额外融合不同尺度的特征图,解决这个问题。最后,在特征融合网络上使用一次额外的上采样并融合高分辨率特征图,进一步提升网络对弱小目标检测的能力。此外,引入目标跟踪神经网络DaSiamRPN实现对动态弱小目标长时间跟踪。为保证无人飞行器上的边缘计算设备可以实时进行模型推理,在上述基础上进行模型轻量化,剔除了模型的大尺度目标检测头,以减少模型的参数量。通过计算,改进后的算法较原YOLOv5模型参数量减少了21.5%。在VisDrone2019数据集上的实验结果表明,提出的基于YOLOv5s的轻量化目标检测算法能更好地完成弱小目标检测任务,在准确率、召回率及平均精度均值上分别达到了96.3%、59%和40.2%,各指标均明显高于原始YOLOv5s算法,且优于目前主流目标检测算法。同时在TinyPerson数据集上进行泛化实验,实验结果表明,改进后算法的弱小目标检测性能得到明显提高。为了进一步验证所提方法的有效性,在无人机平台上进行了空中目标拦截的飞行测试,结果表明该方法能很好地完成目标检测跟踪任务并成功拦截目标,为空中目标拦截提供有力的支持。