为了充分利用红外图像与可见光图像在信息层面的互补性, 本文基于轻量化的YOLOv7-tiny构建双分支特征提取结构.具体而言, 网络包含两个独立的YOLOv7-tiny主干分支, 分别接收红外图像与可见光图像作为输入, 并在各自分支中独立提取多层次的语义特征与纹理特征.该设计的优势在于能在保持轻量化的同时, 避免在早期阶段发生模态间的特征干扰, 从而保留每种模态的原生表征能力.双分支结构特征提取过程如图2所示, 在YOLOv7-tiny中, 双分支主干网络在特征提取阶段结束后, 将对应尺度的红外特征与可见光特征在通道维度进行逐元素相加(AddFusion), 将所得的融合特征作为输入传至后续颈部网络.

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 双分支结构特征提取过程Fig.2 Dual-branch feature extraction process

AddFusion的优点是结构简单、计算开销较低, 适合在资源受限的终端设备部署.然而, 由于其融合方式未考虑不同模态在空间分布、语义强度及重要区域上的差异, 可能导致关键信息未被充分利用, 且容易引入来自另一模态的冗余或噪声特征.为此, 本文在双分支结构的基础上引入轻量级多尺度空间注意力融合模块(LMSAF), 实现对跨模态特征的精细化加权与自适应融合.

在多模态视觉任务中, 不同模态特征的有效互补与融合是影响系统性能的关键问题之一.尤其是在融合可见光图像与近红外图像时, 两种模态在光照、纹理和边缘等感知特性上存在天然差异, 直接拼接或简单加权融合往往无法充分发挥各自优势, 甚至可能引入噪声干扰.

为了实现模态间的动态选择性融合, 本文设计轻量级多尺度空间注意力融合模块(LMSAF), 旨在引导方法关注具有判别性的空间区域, 同时兼顾融合效率与计算成本, 实现高效的模态融合.

LMSAF结构如图3所示.需要指出的是, LM- SAF的设计并非是对已有注意力机制或多尺度模块的简单堆叠, 而是在无人机多模态目标检测在轻量化与融合有效性双重约束下形成的针对性结构设计.

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 LMSAF结构图Fig.3 Architecture of LMSAF

LMSAF的核心思想是引导方法在空间维度上自动关注对当前任务最有判别力的区域, 从而增强信息互补的有效性.首先, 压缩输入特征的通道维度, 提取每个模态的主导空间响应信息的同时降低方法的参数量.然后通过多尺度空间注意力机制捕捉不同感受野下的显著区域.最后利用自适应加权与残差增强策略, 实现模态特征的高质量融合.

2.2.1 通道压缩模块

输入融合模块中可见光特征图像与红外特征图像通常具有较高的通道维度, 在融合之前, 如果进行直接拼接或简单加权, 可能会掩盖各自显著的空间信息.因此, 本文首先设计通道压缩模块, 对每个模态特征图进行独立的维度压缩, 提取其主要的空间响应信息, 具体过程如图4所示.

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 通道压缩过程Fig.4 Channel compression process

假设输入特征图的维度为[B, C, H, W], 其中, B表示批量大小, C表示通道数, H×W表示空间尺寸.通道压缩模块通过一个1×1卷积核将通道数C压缩为1, 输出维度为[B, 1, H, W], 从而仅保留每个像素位置上通道维度的加权组合结果.

为了提高数值稳定性与非线性表达能力, 压缩后的特征图接入批量归一化(Batch Normalization, BN)层和ReLU激活函数.

经过该过程, 可见光特征图像与红外特征图像分别被压缩为两个单通道的空间响应图, 后续将以此作为生成空间注意力权重图的基础, 确保注意力机制关注图像中空间位置的差异性而非通道层面的冗余.

2.2.2 多尺度空间注意力机制

考虑到图像中的目标在尺度上具有多样性, 单尺度卷积可能无法覆盖全部的有效感受野, 限制注意力机制对全局信息的建模能力.因此, LMSAF引入多尺度空间注意力机制, 增强其对空间上下文的建模能力.

多尺度空间注意力机制采用3组具有不同膨胀率(膨胀率为1, 2, 3)的3×3卷积核, 分别对应常规卷积、小范围扩张卷积与大范围扩张卷积, 在不显著增加计算成本的前提下, 有效拓展感受野, 感知不同尺度下的目标与背景关系.

多尺度空间注意力机制结构如图5所示.输入为通道压缩后拼接得到的特征图, 维度为[B, 2, H, W], 分别经过上述3路卷积操作, 输出3个尺度的空间响应图, 通道数均为1, 其中每路卷积均采用深度可分离结构.然后, 将3路输出沿通道维度进行拼接, 得到维度为[B, 3, H, W]的张量, 再通过一个1×1卷积实现通道融合, 输出单通道空间图.

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 多尺度空间注意力机制结构图Fig.5 Structure of multi-scale spatial attention mechanism

为了确保输出权重在合理范围内, 最终通过Sigmoid激活函数进行归一化, 生成空间注意力权重图, 用于后续模态融合过程中的显著性引导.

2.2.3 自适应特征融合机制

在完成多尺度空间注意力建模后, LMSAF进一步引入自适应特征融合机制, 对红外模态特征与可见光模态特征进行选择性加权与融合.该过程的核心思想是:根据空间注意力响应强度, 自适应分配不同模态在各空间位置的贡献权重, 突出显著区域并增强多模态特征互补性.

设生成的空间注意力权重图为A, 维度为[B, 1, H, W], 对A进行归一化处理, 得到注意力权重映射M∈R^B×1×H×W.基于M, 对F_RGB、F_NIR这2种模态特征分别进行加权处理, 得到加权后可见光特征和红外特征:

FweightedRGB=M°F_RGB,

FweightedNIR(1-M)°FN_IR,

其中°符号表示逐元素乘法.

上述加权方式使网络在空间位置上形成互补关注机制:当某一区域在可见光图像中具有较高响应时, M较大, 模型更侧重利用可见光特征; 在可见光响应较弱或光照受限的区域, 红外模态通过1-M的权重映射得到强化, 从而有效补充目标信息.

然后, 将加权后的两种模态特征在通道维度进行拼接, 得到维度为[B, 2C, H, W] 的融合特征图, 并通过1×1卷积将通道数压缩回C, 以降低计算开销.最后结合批量归一化层和SiLU激活函数, 增强融合特征的非线性表达能力, 得到融合特征F_fused.

此外, 为了提升融合结果的鲁棒性并缓解融合误差对原始模态特征的潜在影响, LMSAF进一步引入可学习的残差连接机制, 输出

F_out=F_fused+β (F_RGB+F_NIR),

其中, β 表示一个可训练的标量参数, 初始值设为1.0, 在训练过程中可自动调节原始模态信息的引入比例, 从而在特征融合与信息保留之间实现自适应平衡.

采用LMSAF自适应特征融合机制与YOLOv7-tiny特征融合后的热力图对比如图6所示, 图中在红外原始图像上使用蓝框标出非目标区域.由图可见, 对比红外原始图像, YOLOv7-tiny关注更多的非目标区域, 并存在更多的冗余或噪声特征.LMSAF的关注区域主要都集中在目标区域, 这表明LMSAF能弥补YOLOv7-tiny的注意盲区, 同时减少对非目标区域的关注.需要说明的是, 此处热力图对比主要用于定性展示LMSAF在特征提取阶段对空间响应分布的影响, 增强对网络结构设计动机的直观理解.

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 LMSAF和YOLOv7-tiny的热力图对比Fig.6 Heatmaps comparison of LMSAF and YOLOv7-tiny

综上所述, LMSAF通过空间引导下的模态加权融合和残差连接设计, 不仅增强融合特征的判别表征能力, 还有效提升MIFF-UAVDet在复杂场景中的稳定性与适应性.

在MIFF-UAVDet中, 考虑3种类型的误差:置信度误差、分类误差和定位误差.其中, 前两者与YOLOv7-tiny一样, 均采用二值交叉熵损失进行估计, 而在定位误差方面, 采用不同于YOLOv7-tiny的损失函数.具体而言, YOLOv7-tiny使用CIoU^[14]计算定位误差, 设真实框为B_gt=(x_gt, y_gt, w_gt, h_gt), 预测框为B= (x, y, w, h), 则CIoU的计算公式如下:

L_CIoU=1-IoU+(x-xgt)2+(y-ygt)2Wg2+Hg2+αv, (1)

其中,

IoU=WiHiwh-wgthgt-WiHi,

表示交并比,

v=4π2(tan^-1(wh)-tan^-1(wgthgt))², (2)

表示两框的宽高比一致性,

α=v(1-IoU)+v, (3)

表示权重系数, W_g、H_g分别表示包围预测框与真实框的最小外接矩形的宽度和高度, W_i、H_i分别表示预测框与真实框重叠区域的宽度和高度.

从式(1)可看出, CIoU综合考虑目标框的重叠面积、中心点距离和宽高比.然而, 当预测框与真实框的宽高比完全一致时, 即v=0, 宽高比惩罚项将失效.

为了提升边界框回归的精度, 研究者曾提出多种基于IoU(Intersection over Union)的改进损失函数, 如DIoU(Distance-IoU)^[14]、GIoU(Generalized IoU)^[29]等.这类改进在CIoU的基础上, 进一步引入边界框之间的几何关系约束, 在一定程度上改善目标定位性能.然而, 当被应用于无人机航拍视角下的目标检测任务时, 这些函数的性能仍大幅依赖高质量标注数据, 尤其在目标尺度变化剧烈或宽高比失真的情况下, 定位精度仍存在不足.

为了解决上述问题, 本文改进CIoU, 设计HW- CIoU, 引入预测框与真实框的归一化差异, 提升目标定位精度.

具体地, 高度和宽度的归一化差异定义如下:

$\begin{array}{l} h_{\mathrm{diff}}=\frac{a b s\left(h-h_{\mathrm{gt}}\right)}{\max \left(h, h_{\mathrm{gt}}\right)}, \\ w_{\mathrm{diff}}=\frac{a b s\left(w-w_{\mathrm{gt}}\right)}{\max \left(w, w_{\mathrm{gt}}\right)} . \end{array}$

基于上述分析, 针对式(2)中的宽高一致性度量v和式(3)中的权重项α进行修正, 修正后

v₁=v+h_fh_diff+w_fw_diff, (4)

α₁=v1(1-IoU)+v1,

其中, h_f表示高度因子, w_f表示宽度因子.需要说明的是, 高度因子h_f与宽度因子w_f的设置并非随意选取, 而是结合无人机航拍视角下目标尺度变化特性与实验验证结果综合确定的.在俯视成像条件下, 目标在垂直方向更容易受到航高变化与透视效应的影响, 表现出更明显的尺度压缩与形状畸变.因此, 本文在宽高一致性惩罚项中采用非对称权重设计, 即h_f=1.5, w_f=1.2, 对高度方向误差赋予更强约束.

根据式(4), 只有当预测框与真实框完全重合时, v₁才为0, 这从根本上解决传统CIoU中两框宽高比一致时v=0导致的惩罚失效的问题.同时, 能更精确地度量目标框之间的匹配程度, 在训练过程中实现更好的目标拟合.

值得指出的是, HWCIoU与CIoU的主要区别在于式(1)中最后一项.相比CIoU, HWCIoU的优势在于不仅继承CIoU的有效性, 还进一步考虑目标框的形状和尺度差异, 实现更准确的目标定位, 同时提升网络对不同尺度目标的检测适应性.

实验在Ubuntu 20.04操作系统上进行, 采用Python 3.9.18作为编程环境.硬件配置包括Intel i5-12400F处理器、16 GB内存、NVIDIA GeForce RTX 3060显卡.深度学习框架选用PyTorch 2.1.0, 并结合CUDA 12.1实现计算加速.可见光图像与红外图像输入尺寸统一设为640×640.

在训练阶段, 网络优化器采用随机梯度下降(Stochastic Gradient Descent, SGD).初始学习率设为0.01, 动量系数设为0.937, 权重衰减系数设为0.000 5.训练初期设置3个预热轮次, 预热阶段的动量系数设为0.8.批量大小设为16, 总训练轮数为300轮.

在DVTOD^[30]、DroneVehicle^[31]这2个公开数据集评估方法性能.DroneVehicle数据集由无人机在白天与夜晚不同时间段采集, 共包含28 439对红外-可见光图像, 覆盖城市道路、住宅区、停车场等多种场景, 目标类别包括汽车、卡车、公交车、面包车和货运车辆, 具备场景多样、目标密集的特点, 适用于小目标检测和多模态特征学习任务.DVTOD数据集包含大量由无人机在不同场景(如城市街道、乡村道路、停车场、夜间环境等)中采集的红外-可见光图像对, 具备高质量的目标标注信息.图像对均已完成模态对齐, 目标类别涵盖人、汽车、自行车, 适用于多模态目标检测、配准与融合等任务.该数据集包含大量复杂背景, 对检测算法的鲁棒性提出较高要求.

在实验设置中, DroneVehicle数据集划分如下:训练集包含17 990对红外-可见光图像, 验证集包含1 469对红外-可见光图像, 测试集包含8 980对红外-可见光图像.同样地, DVTOD数据集划分如下:1 764对红外-可见光图像用于训练, 197对红外-可见光图像用于验证, 218对红外-可见光图像用于测试.

实验采用精确率(Precision)、召回率(Recall)、mAP@0.5、mAP@0.5∶ 0.95、帧率作为评价指标.

为了全面评估MIFF-UAVDet在多模态无人机目标检测任务中的有效性, 选择如下具有代表性的多模态特征融合方法进行对比实验.这些对比方法均为近年来在多模态目标检测领域具有代表性的研究成果, 涵盖基于特征拼接、注意力机制及跨模态建模等不同融合策略.

1)YOLOv7-tiny+AddFusion.采用双分支YOLOv7-tiny作为主干网络, 分别对红外图像与可见光图像进行特征提取, 并在特征层通过逐元素相加(AddFusion)实现模态融合.

2)CMA-Det(Cross-Modal Alignment Detector)^[30].通过跨模态注意力机制实现红外特征与可见光特征的动态加权融合, 引导网络在空间与语义层面关注更具判别力的模态信息.

3)UA-CMDet(Uncertainty-Aware Cross-Modal De-tection)^[31].引入不确定性建模机制, 在多模态特征融合过程中显式刻画不同模态预测结果的置信度, 减弱噪声模态对检测性能的负面影响.

4)CFT(Cross-Modality Fusion Transformer)^[32].通过自注意力机制建模不同模态之间的全局依赖关系.

5)CMX^[33].基于跨模态特征交互的融合框架, 最初应用于RGB-X语义分割任务.

MIFF-UAVDet和YOLOv7-tiny性能对比如表1所示.

表1

Table 1

表1(Table 1)

表1 MIFF-UAVDet和YOLOv7-tiny性能对比 Table 1 Performance comparison between MIFF-UAVDet and YOLOv7-tiny 数据集 方法 精确率/% 召回率/% mAP@0.5/% mAP@0.5∶ 0.95/% 帧率/帧/秒 GPU Raspberry Pi 5 YOLOv7-tiny(红外) 80.4 77.7 81.7 57.6 221.1 9.2 DroneVehicle YOLOv7-tiny+AddFusion 85.9 81.7 84.3 60.3 193.8 6.9 MIFF-UAVDet 87.9 83.1 87.1 63.0 180.4 6.5 YOLOv7-tiny(红外) 78.9 70.8 77.8 44.2 234.7 9.4 DVTOD YOLOv7-tiny+AddFusion 83.4 74.7 81.4 47.3 205.2 7.0 MIFF-UAVDet 85.5 80.9 85.3 51.8 196.1 6.6

表1 MIFF-UAVDet和YOLOv7-tiny性能对比 Table 1 Performance comparison between MIFF-UAVDet and YOLOv7-tiny

由表1可见, MIFF-UAVDet在检测性能上全面优于YOLOv7-tiny.在DroneVehicle数据集上, 相比YOLOv7-tiny, MIFF-UAVDet在mAP@0.5指标上提升2.8%, 在mAP@0.5∶ 0.95指标上提升2.7%.在DVTOD数据集上, 相比YOLOv7-tiny, MIFF-UAVDet在mAP@0.5指标上提升3.9%, 在mAP@0.5∶ 0.95指标上提升4.5%, 这进一步验证MIFF-UAVDet在不同场景中的适应能力.此外, 相比YOLOv7-tiny, MIFF-UAVDet在GPU(Graphics Proce-ssing Unit)上运行时帧率未出现明显下降, 在检测性能与推理速度之间取得良好平衡.

需要说明的是, 除了表1列出的GPU平台上的推理速度以外, 实验进一步在Raspberry Pi 5嵌入式硬件平台上对MIFF-UAVDet进行基于NCNN(Neu- ral Computing Neural Network)的推理速度测试, 评估其在低功耗边缘计算环境中的运行性能.Rasp- berry Pi 5搭载Broadcom BCM2712四核64位ARM Cortex-A76处理器, 配备4 GB LPDDR4X内存.实验表明, MIFF-UAVDet在嵌入式平台上仍能保持稳定且可接受的推理速度, 在不依赖高性能GPU加速的情况下依然具备实时处理能力, 由此进一步验证MIFF-UAVDet在模型结构设计上的轻量化优势, 以及在实际工程部署中的可行性与应用潜力.

MIFF-UAVDet和YOLOv7-tiny在参数量和浮点计算量(Floating Point Operations, FLOPs)上的对比结果如表2所示.这两个指标越小, 表示方法对计算资源的需求越低, 推理速度越快.由表可看出, 相比YOLOv7-tiny, MIFF-UAVDet尽管在参数量和FLOPs上略有增加, 但整体增幅较小, 仍保持在模型轻量化要求的合理范围内.

表2

Table 2

表2(Table 2)

表2 MIFF-UAVDet和YOLOv7-tiny的参数量与计算量对比 Table 2 Comparison of parameters and FLOPs between MIFF-UAVDet and YOLOv7-tiny 方法 参数量/M FLOPs/G YOLOv7-tiny+AddFusion 8.5 20.4 MIFF-UAVDet 9.2 21.7

表2 MIFF-UAVDet和YOLOv7-tiny的参数量与计算量对比 Table 2 Comparison of parameters and FLOPs between MIFF-UAVDet and YOLOv7-tiny

为了进一步验证MIFF-UAVDet的可行性与鲁棒性, 将其与UA-CMDet、CMA-Det、CFT、CMX进行对比, 对比方法已在文献[30]和文献[31]中进行详细评估.

各方法在2个数据集上的mAP@0.5指标对比如表3和表4所示, 表中黑体数字表示最优值.由表可看出, 除了CMA-Det以外, MIFF-UAVDet在2个数据集的各个类别检测上均获得最高值.上述结果充分说明MIFF-UAVDet在保持轻量化结构的同时, 依然实现显著的性能提升, 由此验证其高效的特征融合策略.

表3

Table 3

表3(Table 3)

表3 各方法在DroneVehicle数据集上的性能对比 Table 3 Performance comparison of different methods on DroneVehicle dataset % 方法 car freight_car truck bus van YOLOv7-tiny+ AddFusion 95.8 78.0 80.9 92.9 73.8 CFT 96.5 77.8 81.4 92.9 74.9 YOLOv7-tiny+ CMX 97.1 77.9 82.0 93.3 74.8 UA-CMDet 99.0 80.3 82.9 94.2 76.0 CMA-Det 99.2 80.9 82.7 94.2 75.9 MIFF-UAVDet 99.3 80.5 84.8 95.6 75.4

表3 各方法在DroneVehicle数据集上的性能对比 Table 3 Performance comparison of different methods on DroneVehicle dataset %

表4

Table 4

表4(Table 4)

表4 各方法在DVTOD数据集上的性能对比 Table 4 Performance comparison of different methods on DVTOD dataset % 方法 Person Car Bicycle YOLOv7-tiny+AddFusion 89.9 74.3 80.0 CFT 88.9 78.0 81.3 YOLOv7-tiny+CMX 89.2 78.1 82.0 UA-CMDet 90.8 80.2 82.5 CMA-Det 90.3 81.6 83.1 MIFF-UAVDet 92.7 80.2 83.0

表4 各方法在DVTOD数据集上的性能对比 Table 4 Performance comparison of different methods on DVTOD dataset %

为了验证MIFF-UAVDet的有效性, 在DVTOD数据集上进行系列消融实验, 分别将各项改进逐一引入原始网络结构YOLOv7-tiny中, 并分析其对检测性能的影响.以YOLOv7-tiny为基线网络, 引入双分支网络结构、LMSAF、HWCIoU后的指标值对比如表5所示.

表5

Table 5

表5(Table 5)

表5 各网络结构的消融实验结果 Table 5 Ablation experiment results of different network structures % 双分支 网络结构 LMSAF HWCIoU mAP@0.5 mAP@0.5∶ 0.95 - - - 77.8 44.2 √ - - 81.4 47.3 √ √ - 84.2 51.0 √ √ √ 85.3 51.8

表5 各网络结构的消融实验结果 Table 5 Ablation experiment results of different network structures %

由表5可看出, 当网络结构中引入LMSAF之后, mAP@0.5和mAP@0.5∶ 0.95指标分别提升2.8%和3.7%, 说明LMSAF能更充分地整合多模态信息, 有效提升网络对复杂场景中小目标与低对比度目标的感知能力, 进一步增强整体检测效果.

此外, 为了验证LMSAF的优越性, 在YOLOv7-tiny上逐步引入多尺度空间注意力机制、多尺度深度可分离卷积、自适应特征融合机制及通道压缩模块, 相应指标值对比如表6所示.由表可见, 单独引入空间注意力机制后, mAP@0.5∶ 0.95指标提升0.9%.在此基础上加入多尺度深度可分离卷积形成多尺度空间注意力后, mAP@0.5∶ 0.95指标进一步提升1.8%, 表明不同感受野下的显著区域捕捉能有效增强特征表达.继续引入自适应特征融合机制后, mAP@0.5∶ 0.95指标提升至50.8%, 验证自适应加权在模态信息互补中的优势.最后结合通道压缩模块形成完整的LMSAF, 在降低参数量的同时, mAP@0.5∶ 0.95指标提升至51.0%, 充分说明LMSAF能在保持轻量化的同时显著增强多模态特征的融合质量.

表6

Table 6

表6(Table 6)

表6 LMSAF结构的消融实验结果 Table 6 Ablation experiment results of LMSAF structure 多尺度空间注意力机制 多尺度深度可分离卷积 自适应特征融合机制 通道压缩模块 mAP@0.5∶ 0.95/% 参数量/M - - - - 47.3 8.5 √ - - - 48.2 8.7 √ √ - - 50.0 9.3 √ √ √ - 50.8 9.4 √ √ √ √ 51.0 9.2

表6 LMSAF结构的消融实验结果 Table 6 Ablation experiment results of LMSAF structure

下面采用不同类型的IoU作为目标边界框的训练损失, 评估HWCIoU的有效性.选择如下损失函数:1)CIoU^[14].在IoU的基础上引入中心点距离惩罚项和宽高比一致性约束, 提升边界框回归的稳定性与收敛速度.2)DIoU^[14].最小化预测框与真实框中心点之间的归一化距离, 加快模型的训练过程.3)EIoU(Efficient Intersection over Union)^[34].进一步解耦宽度和高度误差, 增强回归精度.4)SIoU(SCYLLA- IoU)^[35].综合考虑角度、距离、形状和重叠面积等因素, 提高在复杂几何关系下的优化效果.5)Shape-IoU^[36].引入形状相似性约束, 使损失函数对目标长宽比变化更敏感.6)WIoU(Wise-IoU)^[37] 系列(WIoU v1、WIoU v2 和 WIoU v3).通过自适应重加权策略调节不同样本的梯度分布, 缓解样本不平衡问题并提升训练稳定性.7)MPDIoU^[38].引入边界框关键点之间的最小距离度量, 有效提升对小目标和细长目标的定位精度.

各损失函数指标值对比如表7所示, 表中黑体数字表示最优值.由表可看出, 不同损失函数在检测性能上的侧重点存在差异.MPDIoU在精确率上取得最高值, 说明其在边界框回归过程中对预测框的约束较严格, 能有效减少误检.CIoU在召回率上表现最优, 表明其在目标匹配过程中具有较强的召回能力, 但在部分样本中可能牺牲定位精度.

表7

Table 7

表7(Table 7)

表7 各损失函数的性能对比 Table 7 Performance comparison of different loss functions % 损失函数 精确率 召回率 mAP@0.5 mAP@0.5∶ 0.95 CIoU 84.9 81.0 84.2 51.0 Shape-IoU 83.1 80.8 83.9 50.8 WIoU v1 83.3 80.5 83.1 49.9 WIoU v2 83.6 79.6 83.0 49.8 WIoU v3 83.5 79.9 83.1 50.0 DIoU 84.2 80.2 84.1 50.7 EIoU 83.9 80.3 84.2 50.9 SIoU 83.9 80.2 83.9 50.6 MPDIoU 85.7 80.4 84.3 51.2 HWCIoU 85.5 80.9 85.3 51.8

表7 各损失函数的性能对比 Table 7 Performance comparison of different loss functions %

相比之下, HWCIoU虽然在精确率和召回率上均非最高值, 但在mAP@0.5和mAP@0.5∶ 0.95两项综合指标上均取得最优值, 表明其在不同IoU阈值下具有更稳定的边界框回归性能.原因在于HWCIoU引入基于高度与宽度差异的持续惩罚项, 避免传统CIoU在宽高比一致时惩罚项失效的问题, 从而在航拍视角下有效提升预测框在形状和尺度匹配方面的鲁棒性.因此, HWCIoU在整体检测性能上表现更优, 更适用于宽高比差异显著的无人机目标检测场景.

下文直观展示MIFF-UAVDet的性能, 其在2个数据集真实场景中的检测结果如图7和图8所示, 包括遮挡场景和复杂背景等情况.同时为了更好地对比MIFF-UAVDet与YOLOv7-tiny可视化结果的差异性, 给出原始图像作为参考, 并在原始图像上放大检测结果不同之处.由图可见, MIFF-UAVDet能取得较高的置信度, 有效区分目标与背景, 最大程度减少漏检与误检.

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 MIFF-UAVDet和YOLOv7-tiny在DroneVehicle数据集上检测结果对比Fig.7 Detection result comparison of MIFF-UAVDet and YOLOv7-tiny on DroneVehicle dataset

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 MIFF-UAVDet和YOLOv7-tiny在DVTOD数据集上检测结果对比Fig.8 Detection result comparison of MIFF-UAVDet and YOLOv7-tiny on DVTOD dataset

由图7可见, 在目标密集的马路场景和停车场中, MIFF-UAVDet能准确识别其类别并获得更高的置信度, 而YOLOv7-tiny均出现两处漏检的情况.同样地, 当存在遮挡情况时, MIFF-UAVDet也取得更优表现.当目标显示不完全或被遮挡时, YOLOv7-tiny出现漏检与误检的情况.

由图8可见, 在背景复杂的校园道路上, 由于密集的人群及栏杆的存在, YOLOv7-tiny未能检测人骑行的自行车, 而MIFF-UAVDet能有效提取特征, 未出现漏检情况.同样地, MIFF-UAVDet在遮挡场景中的检测性能也优于YOLOv7-tiny, 当行人显示不完全或被树木遮挡时, YOLOv7-tiny出现严重的漏检情况.

上述可视化结果表明, MIFF-UAVDet具有良好的泛化性和鲁棒性, 可适用于各类复杂场景的目标检测.