LUD-YOLO：一种用于无人机的新型轻量级目标检测网络
LUD-YOLO：一种用于无人机的新型轻量级目标检测网络
LUD-YOLO是一种专为无人机设计的轻量级目标检测网络，通过引入新型特征融合模式和特征提取模块，解决了传统目标检测算法在无人机应用中的不足。该算法在保持高精度的同时，显著提升了推理速度，为无人机目标检测提供了有效的解决方案。
背景与动机
近年来，无人机在军事和民用领域的应用日益广泛。然而，传统的目标检测算法在无人机应用中存在诸多问题，如运行速度慢、精度低、计算冗余等。因此，设计一种高效、准确的基于无人机的目标检测方法势在必行。
目前主流的目标检测算法可分为两阶段检测算法和一阶段检测算法。两阶段检测算法虽然精度较高，但数据处理速度较慢；一阶段检测算法虽然推理速度快，但往往忽视了模型规模和计算能力问题。因此，创建一个像YOLO那样在“速度与精度”之间保持平衡的无人机目标检测模型具有重要的理论和实践意义。
新算法框架
特征融合方面的改进
在目标检测任务中，合理的多尺度特征融合模式至关重要。LUD-YOLO在特征金字塔网络（FPN）中集成了一种上采样技术，将C5的特征上采样到C2的尺寸，然后再上采样回C5的尺寸。同时，引入渐进式特征金字塔网络（AFPN）的理念，以解决在C2到C4尺寸变化过程中出现的信息衰减问题。
特征提取方面的改进
在小目标检测过程中的图像特征提取方面，LUD-YOLO将具有稀疏关系的注意力机制模块——Biform模块应用于C2f模块中。这种方法可以捕捉特征之间的长距离依赖关系，提升网络的特征提取能力。
LUD-YOLO的轻量化调整
LUD-YOLO使用“网络瘦身”方法对训练好的模型进行稀疏化处理，并采用一种简单有效的网络再训练解决方案，以便在资源有限的情况下实现无人机边缘设备的部署。这种方法的本质是对原始网络中卷积块的批量归一化（BN）层内的缩放因子应用L1正则化约束。
实验及可视化
LUD-YOLO模型在VisDrone2019数据集中进行了验证。实验结果表明，LUDY-N和LUDY-S在各项评估指标上均表现出色，这表明所提出的改进策略使模型具有更好的鲁棒性和泛化能力。而且，与其他多个流行的同类算法相比，所提出的改进策略使LUD-YOLO具有最佳的整体性能。
该模型在一些测试集上的检测结果如上图所示。可以看出，所提出的模型很好地完成了检测任务，并且能够在各种场景中准确识别并确定目标位置。
总结
LUD-YOLO通过引入新型特征融合模式和特征提取模块，解决了传统目标检测算法在无人机应用中的不足。该算法在保持高精度的同时，显著提升了推理速度，为无人机目标检测提供了有效的解决方案。
代码地址：www.sciencedirect.com/science/article/pii/S0020025524012805