基于多尺度融合和轻量化网络的无人机目标检测算法

针对在游乐场、公园等公共安全区域因无人机的尺度变化实时检测困难和计算资源有限的问题，提出一种网络动态实时检测无人机方法YOLO-Ads，以增加网络对无人机尺度变化的鲁棒性.首先自主构建了无人机数据集；其次将轻量化网络作为主干建立一个新的MDDRDNet网络，减小模型计算的复杂度，并且引入协调注意力机制模块，加强网络对空间和通道的关注度；然后采用均值聚类算法，重新生成先验框，在先验框的选择上结合多探测头和多数据集的寻优办法，使重新生成的先验框与无人机更加匹配；然后基于特征融合和残差思想建立一个新的探测头以适应更小尺度无人机的检测；最后，在检测模块中引入类激活映射模块生成热力图，以观察网络对无人机尺度变化的敏感程度，同时与当前主流网络SSD、CenterNet、YOLOv5、YOLOx等和不同主干网络ResNet、EfficientNet、VGGNet等进行对比实验.实验结果表明，新提出的算法在尺度变化的无人机检测上平均精度达到96.62%，相较YOLOv4算法提高了1.88%；检测速度为每秒47帧，相较YOLOv4算法提高了19帧；模型所占内存大约为10.844 M，约为原内存的六分之一，体现了该方法的有效性和鲁棒性.

Drone Target Detection Algorithm Based on Multi-scale Fusion and Lightweight Network