摘要： 本文主要介绍了面向无人机的轻量级目标检测网络LUD-YOLO的研究。针对无人机目标检测面临的挑战，如背景复杂、目标小、存在遮挡等，提出了基于YOLOv8的改进算法。该算法引入了一种新的多尺度特征融合模式，解决了特征传播和交互中的退化问题，并应用了动态稀疏注意力机制。同时，对所提出的模型进行了稀疏化和轻量化优化，使其能够部署在无人机边缘设备上。在VisDrone2019和UAVDT数据集上的实验结果表明，LUD-YOLO在各项评估指标上均表现出色，具有更好的鲁棒性和泛化能力。 一、背景与动机 近年来，无人机因其体积小、续航时间长、操作简便等优点，在军事和民用领域广受欢迎。利用无人机进行目标检测，可以远距离探测并跟踪移动目标，准确、快速地捕获目标信息。然而，传统目标检测算法在无人机上运行时存在运行速度慢、精度低等问题，难以满足当前无人机发展的需求。因此，设计一种高效、准确的基于无人机的目标检测方法势在必行。 二、特征融合与改进策略 本文提出了基于YOLOv8的改进算法，主要改进了特征融合和特征提取两个方面。 1. 特征融合方面：针对无人机图像中多尺度目标的问题，采用上采样技术改进特征金字塔网络（FPN），实现简洁有效的特征工程。同时引入渐进式特征金字塔网络（AFPN），缓解特征传播和交互过程中的特征退化问题。 2. 特征提取方面：利用注意力机制提升网络的特征提取能力，将具有稀疏关系的注意力机制模块引入到主干网络中。同时采用网络瘦身方法，对训练好的模型进行稀疏化处理，实现模型的轻量化和推理速度的提升。 三、实验及可视化 实验在VisDrone2019数据集上进行，该数据集包含大量丰富样本，旨在推动无人机视觉算法的发展和性能评估。通过对比实验和消融实验验证了所提出算法的有效性。实验结果表明，LUD-YOLO在多种类型的检测场景中具有很好的鲁棒性，能够准确识别并确定目标位置。 四、总结与展望 本文提出了一种面向无人机的轻量级目标检测网络LUD-YOLO，通过改进特征融合和特征提取策略，实现了在无人机上的高效、准确目标检测。实验结果表明，该算法在各项评估指标上均表现出色，具有更好的鲁棒性和泛化能力。未来工作将围绕提高模型在小目标检测场景下的性能、优化模型结构等方面进行。