针对弱小无人机目标的轻量级目标检测算法

为解决无人机"滥用"带来的安全隐患,针对现有基于深度学习的无人机目标检测算法复杂度较高,导致模型训练耗时长、占用计算资源大、输入图像尺寸受限、检测速度慢等问题,提出了一种轻量级无人机目标检测(DTD-YOLOv4-tiny)算法.所提算法以YOLOv4-tiny为基础,通过K-means++聚类算法对Anchor box进行优化,并增加52×52尺寸特征图的检测头,拓展了算法对小目标的适用范围,再结合ShuffleNetv2轻量化骨干网络,使用reorg_layer下采样和sub-pixel上采样的方式,分别对YOLOv4-tiny算法的Backbone、Neck和Head进行优化,最终得到的模型大小仅为1.4MB,浮点运算量(GFLOPs)仅为1.1的DTD-YOLOv4-tiny轻量级检测算法.实验结果表明,DTD-YOLOv4-tiny检测模型在不限制图像输入尺寸的同时,保证了较低的运算资源占用和高的检测实时性,同时降低参数量后的算法在面对原始大尺寸图像时也可以保持准确性.在Drone-vs-Bird2017数据集上使用960×540尺寸的图像作为输入时,所提算法的平均精度(AP)@50值达到95％,在RTX2060显卡上的检测速度达到113 frame/s;在TIB-Net数据集上使用1920×1080尺寸的图像作为输入时,所提算法的AP@50值达到85.1％,在RTX2080Ti显卡上的检测速度达到119 frame/s.