点击蓝字关注我们关注并星标从此不迷路计算机视觉研究院公众号ID计算机视觉研究院学习群扫码在主页获取加入方式file:///C:/Users/86178/Downloads/drones-10-00112-v3.pdf计算机视觉研究院专栏Column of Computer Vision Institute本文提出Eagle-YOLO检测框架直击无人机小目标检测核心难题用多粒度特征聚合实现精度与速度的极致平衡为低空安防提供轻量化、可边缘部署的全新方案。PART/1痛点低空安防新挑战小目标 复杂背景的检测困境随着消费级无人机快速普及低空安防对入侵无人机实时检测的需求日益迫切。但无人机检测面临两大核心难题目标尺度极端差异入侵无人机多为像素级小目标易被背景淹没背景干扰严重云层、建筑、鸟类等易造成误检频谱均一化瓶颈常规卷积下采样会丢失小目标高频细节导致检测失效。现有 YOLO 系列、RTMDet 等实时检测器在无人机场景下难以兼顾精度、速度与边缘部署亟需针对性的架构革新。PART/2创新Eagle-YOLO 核心创新三大模块重塑无人机检测架构Eagle-YOLO 以 RTMDet 为基线针对无人机检测痛点提出多粒度特征聚合方案核心包含三大创新模块完美平衡精度与推理速度。1. 分层粒度模块HG-Block小目标细节锚点替代常规卷积块采用分通道 - 级联上下文注入结构将特征按通道拆分为多粒度片段浅层保留小目标像素级细节深层聚合大目标语义信息从根源缓解频谱均一化问题。HG-Block 与 CSCM 架构图2. 跨阶段上下文调制CSCM全局语义降噪通过全局平均池化生成场景描述符结合可学习环境原型动态抑制背景干扰云层、鸟类精准聚焦无人机目标大幅降低复杂场景误检率。3. 尺度自适应异构卷积SAHC感受野动态匹配打破常规均匀卷积设计按网络阶段动态分配卷积核浅层用 3×3 小核保留小目标细节深层用 5×5/7×7/9×9 大核捕捉整体结构实现感受野与无人机尺度分布精准对齐。SAHC 策略详细配置PART/3实验实验验证精度速度双优登顶 SOTAEagle-YOLO 在DUT Anti-UAV、Anti-UAV两大权威数据集上完成全面测试兼顾服务器与嵌入式边缘平台部署。1. 核心性能数据轻量版 Eagle-YOLO-T74.62% AP超 RTMDet-T 基线 1.67%推理速度141 FPSRTX 4090高精度版 Eagle-YOLOv8-M94.38% AP₅₀超 YOLOv8-M 2.83%复杂背景下误检率FPPI降低60%抗干扰能力显著提升。模块消融实验结果SOTA 方法对比2. 可视化验证通过梯度加权类激活映射Grad-CAM可视化Eagle-YOLO 可精准锁定无人机目标完全忽略背景干扰检测聚焦度极高。类激活映射可视化图感受野分布对比图PART/4总结Eagle-YOLO 通过HG-BlockCSCMSAHC的协同设计成功解决无人机检测的频谱均一化、小目标丢失、背景干扰三大痛点实现高精度 实时性 边缘友好的三重突破为电池供电的低空安防边缘监测平台提供实用解决方案。未来研究将拓展至多模态数据融合适配更复杂的低空安防场景持续提升无人机检测的鲁棒性与泛化性。有相关需求的你可以联系我们END转载请联系本公众号获得授权计算机视觉研究院学习群等你加入ABOUT计算机视觉研究院计算机视觉研究院主要涉及深度学习领域主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架提供论文一键下载并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程让大家真正体会摆脱理论的真实场景培养爱动手编程爱动脑思考的习惯往期推荐YOLO-TLA一种基于 YOLOv5 的高效轻量级小目标检测模型ViT-YOLO基于Transformer的用于目标检测的YOLO算法SSMA-YOLO一种轻量级的 YOLO 模型具备增强的特征提取与融合能力适用于无人机航拍的船舶图像检测LUD-YOLO一种用于无人机的新型轻量级目标检测网络Gold-YOLO基于聚合与分配机制的高效目标检测器Drone-YOLO一种有效的无人机图像目标检测「无人机AI」“空中城管”无人机AI光伏巡检自动化解决方案无人机视角下多类别船舶检测及数量统计机场项目解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题2PCNet昼夜无监督域自适应目标检测附原代码YOLO-S小目标检测的轻量级、精确的类YOLO网络大改Yolo框架 | 能源消耗极低的目标检测新框架附论文下载改进的检测算法用于高分辨率光学遥感图像目标检测