基于多尺度特征融合的無人機識別與檢測

曹靖豪，張俊舉，黃 維，姚若彤，張 平

（1.南京理工大學電子工程與光電技術學院，江蘇南京 210094；2.江蘇北方湖光光電有限公司，江蘇無錫 214035）

0 引 言

隨著工業的快速發展，無人機技術的發展和應用逐步成熟。無人機由于其體積小、能耗低、機動性高等優勢，逐步地被應用于軍事化作戰中，基于智能算法的無人機目標識別檢測技術也逐步被運用于技術安防、軍事化偵查等領域中。在無人化作戰領域，敵我目標的檢測識別是實現無人化作戰的核心步驟。

傳統的目標檢測方法通常人工提取圖像特征，經典的目標實時檢測方法有光流法、幀差法、背景差分法等。但是傳統的圖像算法特征提取具有主觀性，且檢測精度較低，魯棒性較差。

基于深度學習的目標檢測算法主要分為兩類：一類是基于區域建議的二階段目標檢測方法，如Faster R-CNN、快速區域卷積神經網絡（fast-region-based convolutional neural network，Fast R-CNN）等；另一類是沒有區域建議的端到端檢測算法（也被稱為單階段檢測算法），如YOLO 系列、單階段多框預測（single shot multiBox detector，SSD）等。就計算精度而言，實驗證明，以國際通用的均值平均（mean average precision，mAP）為評價標準，二階段智能算法的計算精度遠高于單階段檢測算法的計算精度。改進后的Faster R-CNN 算法已經被廣泛應用于行人檢測、道路目標檢測等方面。在無人機目標檢測方面，張輝等對Faster R-CNN、YOLO v3、SSD算法進行了評估，但未做優化。無人機的目標數據集收集難度較大，往往要從網絡圖片的無人機特寫爬取數據，但是這樣的訓練集又極有可能與實際需求不符。

本文提出了一種改進Faster R-CNN 算法特征提取層的方案，以解決無人機目標尺度差異問題。……