无人机检测模型

该模型将Swin Transformer与YOLOv8s结合，引入CBAM和Soft-NMS，显著提升无人机图像中小目标和遮挡目标的检测性能。

Noor Ul Ain, Tahir · Zhe, Long · 张祖平 · 73047378 · El-Affendi, Mohammed Ahmed

Drones 2024

参数信息

平均检测精度提升

4.8 %

技术优势

小目标不漏检

主干网络用 Swin Transformer 做全局特征提取，把远处小人小车也纳入上下文，减少小目标漏检。

遮挡也能检准

CBAM 在通道和空间两个维度强化关键特征，Soft-NMS 管理重叠框，在遮挡场景下提升检测准确性。

精度实打实提升

相比 YOLOv8s 基线，在 VisDrone2019 数据集上 mAP 提升 4.8%，已经量化验证。

应用场景

• 无人机：无人机平台上直接部署，提升交通监控中小目标检测能力。
• 机器人：作为机器人视觉模块，增强复杂环境下行人车辆识别。
• 具身智能：为具身智能体提供可靠的视觉感知，支持自主导航与交互。
• 物联网：嵌入智慧城市物联网节点，实现实时交通流分析。