基于深度特征提取的无人机检测算法

杨 健，孙 涵

(南京航空航天大学 计算机科学与技术学院，江苏 南京 211106)

0 引 言

当前，国内的无人机领域正在蓬勃发展，随着无人机在日常生产生活领域中(如农药喷洒、航拍勘测等)的大量使用，随之产生的无人机监督和管理问题也变得日益严峻[1-2]。基于深度学习的方法不断在目标检测领域展现优异性能，因此当前主流的通用目标检测算法都是基于深度神经网络(如VGG[3]、ResNet[4]等)提取目标特征再做检测，它们大多能在PASCAL VOC[5]和MSCOCO[6]等数据集的大中型目标检测任务上取得不俗的效果。然而，在真实场景的无人机检测任务中，这些方法仍有诸多局限。

一方面，以往常见的目标检测任务中，通常包含的检测目标为中、大尺度目标，它们的外观和结构相对清晰完整，随着网络加深，网络能够逐步学习到目标从局部到整体的特征信息。然而对于小目标检测而言，由于目标的尺度小、信息少，若使用通用的目标检测网络模型，容易在网络不断加深的过程中损失大量有效的信息，导致最终检测性能不佳。如果只是简单地使用加大输入图像分辨率的手段，容易产生高额的计算开销，大幅增加训练和推理时间。因此小目标检测相较于常规尺度目标检测，达到最佳的检测性能难度更大。而且由于无人机目标的特殊性，它极易被反光、云层遮掩等背景噪声淹没，对检测造成不利影响。

另一方面，虽然目前深度学习目标检测算法在目标检测任务上取得了巨大的成功，但是这一系列方法仍极度依赖高性能计算机。……