Volume 3,Issue 7
多尺度特征融合的无人机红外图像目标检测方法
针对无人机红外图像中目标较小、背景杂波较强及硬件算力限制等问题，研究基于多尺度特征融合方法的无人机红外图像目标检测算法，通过融合不同尺度下的特征图谱增强小目标检测效果。关键技术包括改进的特征金字塔结构、引入注意力模块以及改进的特征融合策略，在识别精度和鲁棒性方面均有所提高；实验结果表明：在浅层微粒度信息的基础上融入深层语义信息可显著降低漏检率，并能适应复杂多变的场景变化情况。本工作为无人机的在线红外检测提供了一种快速有效的解决方案，并推动了遥感应用于安防和救援等领域。
[1] 崔令飞，郭永红，修全发，等. 基于国产嵌入式智能计算平台的无人机检测方法[J].兵工学报，2022，43（z1）：146.154.
[2] 张学思，张婷，刘兆英，等. 基于轻量型卷积神经网络的海面红外显著性目标检测方法[J]. 山东大学学报（工学版），2022，52（2）：41.49.
[3] 张栩培，贺占庄，马钟，等. 一种自标签特征点异源图像目标检测算法[J]. 北京理工大学学报，2021，41（5）：558.568.
[4] 赵兴科，李明磊，张弓，等. 基于显著图融合的无人机载热红外图像目标检测方法[J].自动化学报，2021，47（9）：2120.2131.
[5] 宋子壮，杨嘉伟，张东方，等. 基于无监督域适应的低空海面红外目标检测[J]. 光学学报，2022，42（4）：127.134.
[6]WANG Q, ZHOU L, XU C, et al. Progress and perspectives on UAV visual object tracking[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2025, 18: 20214-20239.
[7] 叶栢铖, 朱尤攀, 周永康, 等. 轻量级目标检测算法综述[J]. 红外技术, 2025, 47(3): 289-298.
[8]lightweight object detection algorithms[J]. Infrared Technology, 2025, 47(3): 289–298.
[9]WU X, LI W, HONG D, et al. Deep learning for unmanned aerial vehiclebased object detection and tracking: a survey[J]. IEEE Geoscience and Remote Sensing Magazine, 2021, 10(1): 91-124.
[10]REN S, HE K, Girshick R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2025, 39(6): 1137-1149.