基于YOLOv9-c改进的无人机目标检测算法

摘要

无人机航拍图像中目标多为小目标，因其携带信息少，目标相互遮挡等特点成为当前无人机目标检测的难点。针对小目标漏检、误检、检测精度低的问题，提出了一种改进YOLOv9-c的无人机目标检测算法。首先，在主干网络设计特征融合AFFOD模块，引入迭代注意力机制和全维度动态卷积，动态优化多尺度特征融合过程，提高对小目标细节信息的提取能力，同时增强复杂背景下小目标的定位和识别能力。其次，提出下采样模块DEADown,通过深度可分离卷积和最大池化以及注意力机制的协同作用，解决了传统卷积对小目标特征留存能力不足的问题。再次，在neck网络中添加小目标检测层，通过高分辨率特征图强化浅层特征的表征能力，使其能够捕捉小目标更多的细节信息。最后，在模型的主干网络中引入Bot-Transformer模块，该模块利用自注意力机制增强全局语义信息获取能力，在降低模型复杂度的同时，提高了检测效率。改进后的YOLOv9-c算法在Visdrone2019公开数据集上的检测精度达到了50.3%,相比于YOLOv9-c原算法精度提高了5.8%,模型的参数量降低了23个百分点，证明了方法的有效性。在DOTA数据集上进行泛化实验，检测精度提升了1.3%,证明了改进算法的通用性。

关键词

YOLOv9-c / AFFOD / DEADown / 小目标检测层 / BoT-Transformer