基于动态渐进融合的无人机海上救援目标检测算法

无人机（Unmanned aerial vehicle，UAV）目标检测在海上救援任务中发挥着重要作用。然而，由于无人机空中拍摄的视角和高度多变，检测目标存在多尺度变化。此外，阳光照射海面产生的耀斑会造成误检现象。基于上述问题，为满足无人机实时目标检测的算法轻量化需求，本文以YOLOv8n为基准网络，提出一种基于动态渐进融合的轻量级无人机海上救援目标检测算法（Dynamic progressive fusion YOLO，DPF-YOLO）。首先，提出轻量级冗余信息提取模块（Redundant information extraction module，RIEM），通过减少特征图中的冗余信息，突出关键特征，避免耀斑误检问题。其次，提出动态多尺度特征提取模块（Dynamic multi-scale feature extraction module，DMFEM），通过动态调整感受野大小以适应不同尺度的目标，增强多尺度特征表达能力。最后，结合DMFEM模块提出动态渐进融合网络（Dynamic progressive fusion network，DPFNet），通过渐进式融合结构，减少非相邻层间不同尺度目标的语义差异，增强多尺度特征融合效果。DPF-YOLO设计为P2、P3和P4检测层结构以适应海上救援任务中不同尺度的目标，丰富多尺度信息，增强对小目标的特征提取。在SeaDronesSee v2数据集上的实验结果表明，DPF-YOLO以仅1.19M的参数量实现了mAP_0.5=72.2%的检测精度，较基准网络YOLOv8n参数量降低60.5%，召回率提升12.4%，精度提升8.2%。在VisDrone数据集上的泛化性实验结果表明，DPF-YOLO具有较好的泛化能力。