『论文阅读|利用深度学习在热图像中实现无人机目标检测』

论文题目： Object Detection in Thermal Images Using Deep Learning for Unmanned Aerial Vehicles

利用深度学习在热图像中实现无人机目标检测

摘要

这项研究提出了一种神经网络模型，能够识别无人驾驶飞行器采集的热图像中的微小物体。模型由三部分组成：骨干、颈部和预测头。骨干基于 YOLOv5 的结构开发，并在末端使用了一个transformer编码器。颈部包括一个 BI-FPN 块，结合使用滑动窗口和transformer，以增加输入预测头的信息量。预测头通过使用 Sigmoid 函数评估特征图来进行检测。带有注意力的transformers和滑动窗口的使用提高了识别准确率，同时将模型的参数数量和计算要求控制在嵌入式系统的合理范围内。在公共数据集 VEDAI 和收集的数据集上进行的实验表明，提出的模型比最先进的方法（如 ResNet、Faster RCNN、ComNet、ViT、YOLOv5、SMPNet 和 DPNetV3）具有更高的准确性。在嵌入式计算机 Jetson AGX 上进行的实验表明，提出的模型实现了实时计算速度和超过 90% 的稳定性。

关键词：深度学习、热图像、无人驾驶飞行器

1 引言

无人驾驶飞行器（Unmanned aerial vehicles, UAV）正被用于执行搜救、监视和军事行动等专门任务。为执行这些任务，无人飞行器配备了图像传感器和机载处理单元，用于收集数据并进行分析。分析通常需要对物体进行识别和分类，然后才能进行相关操作。在无人机的物体识别中，通常使用彩色图像作为输入数据。然而，在夜间或微光等许多环境条件下，由于物体与环境混为一体，使用彩色图像效果不佳。因此，使用热图像被认为是一种更切合实际的解决方案，其优点包括：只要物体散发的热量与环境温度不同，就能识别微小物体；还能在雾和弱光等恶劣条件下进行搜索。然而，主要的挑战在于如何处理低分辨率、不均匀的热背景以及热图像中的高噪声。为解决这些问题，已经提出了一些研究方案，具体如下。

1.1 小物体检测

探测小物体的方法已开发多年，最先进的方法有 Viola Jones检测器[1]、定向梯度直方图（Histogram of Oriented Gradients，HOG）检测器[2]、基于变形部件的模型（Deformable Part-based Model，DPM）[3]等。然而，机器学习技术，尤其是深度学习技术的发展，因其优于传统技术的效果和优势，使其成为一种趋势。在深度学习中，物体检测方法主要分为两类：单阶段检测法和两阶段检测法。单阶段方法无需使用预先生成的区域候选，即可对物体进行分类并生成边界框。因此，它的执行时间较快，代表方法有 Retical net、SSD [4]、Yolo [5]、CornerNet、FCOS [6]、FSAF [7]。两阶段法首先生成区域候选，然后对每个区域候选中的对象进行分类。因此，这种方法更准确，但速度较慢，其中的著名代表有 mask R-CNN [8]、Faster R-CNN [9]。深度学习的不断进步使得用于物体检测的 CNN 模型大受欢迎，并由此开发出了 VGG、Googlenet、DenseNet、Resnet、Efficientnet [10]、ViT [11]等新模型，它们具有更高质量的特征图，可以更准确地检测物体。

物体检测模型的进步还来自于改变计算深度大的单个层的计算方法[12]、模型集合策略[13]和基于区域的卷积神经网络[13]…改进还包括将识别层从全局特征图改为局部特征图[13]、使用新的检测核[12]以及组合特征图[14]。因此，模型的准确性逐渐提高。然而，使用这些模型有两个挑战：(1) 在嵌入式设备上部署这些模型相对复杂，(2) 模型的性能尚未真正稳定。

1.2 物体检测中的模型组合

深度学习是一种灵活且可扩展的方法，能够适应用于训练的数据量的不断增加。这种方法的一个缺点是，它取决于所使用的数据，当遇到全新的数据时，网络的权重会相应改变，导致方差增大。缓解这一问题的方法之一是训练多个模型，然后将它们的预测结果合并。

有三种常用的方法可以合并预测的边界框，包括非最大抑制（non-maximum suppression, NMS）[15]、Soft-NMS [16]和加权框融合（weighted boxes fusion, WBF）[17]。在 NMS 中，如果边界框重叠并超过一定的 “交集大于联合”（Intersection over Union，IoU）阈值，则认为它们属于一个对象。然后，NMS 只保留置信度最高的边界框，并删除其余的边界框。Soft-NMS通过使用一个函数改进NMS，根据 IoU 临界值降低相邻边界框的置信度。WBF 的操作方式与 NMS 不同，它是通过合并方框而不是移除方框来生成最终结果。对于无人机提供的彩色图像，WBF 能产生良好的结果。然而，对于热图像，当背景区域的热耗散与物体相似时，这种方法可能会将背景区域误检测为物体。因此，在作者的方法中，使用了 Soft-NMS 来组合预测的边界框。

1.3 热图像处理

与具有三个通道的彩色图像不同，热图像的信息仅相当于一幅灰度图像，表示捕捉区域对红外频率的响应。因此，大多数方法都使用两阶段方法来提取恶劣环境中的稀疏特征[18]；学习最大化可见光和红外频率之间信息的特征[19]；或检测无人机上的低分辨率物体[20]。然而，两阶段方法的使用限制了这些模型在计算能力有限的系统中的应用。

本文提出的 CNN 模型解决了从无人机拍摄的热图像中识别物体的两个问题。第一个问题是，在表示温度变化的物体（如船只或停放的车辆）时，热图像的信息有限。第二个问题是，当无人机拍摄物体时，相距很近的物体很可能会被识别为单个物体。为了解决这些问题，提出的方法主要是通过多维金字塔提取特征图，并使用注意力机制来丰富数据和扩展信息区域，如图 1 所示。使用注意力层而不是增加 CNN 的深度来降低计算成本。此外，使用 Bi-FPN 方法代替其他 FPN，以获得针对高价值区域的前馈计算过程。在最后一层，使用 Soft-NMS [16] 结合训练模型的预测边界框。

在这项工作中的贡献包括：

• 分析小物体检测问题的特点，研究从无人机拍摄的彩色图像和热图像中识别物体的方法，从而提出一种新的网络模型。该模型可通过使用滑动窗口去除与周围区域相关性低的区域，并输出高识别潜力区域，从而识别小物体。该模型利用 ViT 和 YOLOv5（在彩色图像上表现良好的网络架构），并在其中加入注意力区块，以更好地识别物体。

• 修改骨干架构，使其等效但参数更少，以便更好地用于无人机。此外，还将模型的权重压缩到 ONNX 和 TensorRT 中，以提高模型的执行速度。在训练过程中，还利用自我训练来强化物体分类能力，消除错误的识别特征。

• 模型在高噪声的热图像上表现良好。该模型被设计成一个模块，可以部署在无人机等嵌入式系统上。该模型在公共数据集和自己的数据集上都达到了很高的准确率。

2 提出的模型

在本节中，将介绍利用无人机热图像进行物体检测的方法。提出的模型建立在 YOLOv5 的架构上，包括以下 3 个结构：骨干、颈部和头部，如图 1 所示。在骨干和transformers之后的两层中使用注意力层来扩展输入矩阵的特征，以克服与热图像信息量低有关的限制，尤其是图像中的小物体、人和车辆。使用注意层的作用是扩大计算区域，使物体特征清晰，便于识别。由于红外图像的信息含量较低，对周围的像素进行计算，以检测物体的边界框。

2.1 预测头数量

对于 YOLOv5 模型[5]，在通过骨干层和颈部层之后，会产生三个特征矩阵，输入预测头。不过，这三个预测头只适用于图像中的物体占据了图像很大一部分的情况。在实施环境中，涉及从无人机上捕获的图像，如 VEDAI [21] 数据集中的图像，图像中的物体只占图像的一小部分。为了识别这些物体，使用了 4 个预测头，而不是 3 个。从低层特征层提取的额外预测头有助于减少识别边界框时的差异，并提高检测新物体的能力，而这些新物体可能在更高的特征层中被忽略。增加一个预测头后，计算参数的数量会增加，但物体检测性能会显著提高。

2.2 骨干网络优化

由于需要在无人机上使用，因此需要一种能够快速提取特征图的识别模型。因此，通过使用 GhostConv 来作为特征提取方法，以减少需要计算的参数数量。为了解决热信息少的问题，使用颈部网络的计算层来提取额外的信息。对于输入 $X\in R^{c\times h\times w}$，其中 c 是输入维数，h 和 w 是输入矩阵的大小，特征层 n 的值计算公式为:
$$Y=X\ast f+b$$
其中，$Y\in R^{h^{\prime }\times w^{\prime }\times n}$ 是特征层 n 的结果，b 是偏置项，$f\in R^{c\times k\times k\times n}$ 是卷积块的滤波器。GhostNet 方法通过对每个固有特征进行标准卷积和一系列线性运算产生结果。

在标准卷积中，根据公式 $Y^{\prime }=X\ast f^{\prime }$，从输入 $X\in R^{c\times h\times w}$ 和卷积块矩阵 $f^{\prime }\in R^{c\times k\times k\times m}$ 得到 $Y\in R^{h^{\prime }\times w^{\prime }\times m}$（m < n）。一系列线性运算通过变换矩阵 g(x) 将张量 Y ′ 转换为矩阵 Y ′′，计算公式为
$$y_{ij}^{\prime \prime }=g_{ij}\cdot y_{ij}^{\prime }i\in 1,\dots ,m;j\in 1,\dots ,s$$
y′ 的每个值都会产生一个 y′′ 的值，其中 m 和 s 分别是 y′ 和 y′′ 的大小。最后，y′和 y′′ 合并生成输出结果。与传统 CNN 网络相比，使用 $g_{ij}$ 的计算成本更低，参数更少。

2.3 Transformer encoder 模块

受视觉转换器（ViT）中应用的transformer方法的启发，在主干块末端应用了transformer块，以取代 YOLOv5 原始版本中的颈部网卷积层。该层的输入是前向卷积层的输出和通过 ASPP 模块分发的信息[22]。transformer块的输入表示为 $I_{IR}\in R_{IR}^{c\times h\times w}$，由特征图 $F_{IR}\in R_{IR}^{c\times h\times w}$ 给出。$I_{IR}$ 进入注意力处理过程，其 3 个参数 Q、K、V 的计算公式为:
$$\begin{array}{rl}Q& =I_{IR}\cdot W_Q\\ K& =I_{IR}\cdot W_K\\ V& =I_{IR}\cdot W_V,\end{array}$$
其中，$W_Q$、$W_K$ 和 $W_V$ 是模型中训练过的矩阵。注意力模块的输出 Z 的计算公式为:
$$Z=Attention(Q,K,V)=Softmax(\frac{Q{K}^T}{\sqrt{d_k}})\cdot V,$$
其中，$d_k$ 是保持 Softmax 结果收敛性的参数。从 Z 开始，激活层 GELU 用于计算输出。使用 GELU 代替 ReLU 可以对数据进行回归，而不是丢弃参数为负的数据，从而减少方差。

2.4 使用滑动窗口和注意力进行卷积

在提出的模型中，将滑动窗口的使用与注意力机制相结合，而不是使用通常的 Transformer 方法来实现快速的物体检测。该模块也非常简单，可以集成到 CNN 系统中，而不会导致计算系统超出 YOLOv5 架构的处理量。该模块有两个处理过程，包括用滑动窗口分割输入矩阵和对得到的窗口进行 Attention 处理。该模块的输入是 Bi-FPN 的输出特征图。通过滑动窗口机制将大小为（$h\times w\times c）$的特征图缩小为大小为$（n\times mh\times mw\times c）$的特征图，同时创建一个大小为$（n\times mh-mw\times mh-mw\times c）$的掩码矩阵。其中，h、w、c 分别为输入特征矩阵的宽度、高度和深度；$mh$、$mw$ 分别为滑动窗口的长度和宽度。然后在滑动窗口及其周围计算自注意力，以提取这些窗口上的特征。在这里，使用 $GELU$ 层来确保处理大量数据时的准确性。输出计算如下：
$$\begin{array}{rl}{\hat{z}}^l& =WA(LN(z^{l-1})+z^{l-1}\\ z^l& =MLP(LN({\hat{z}}^l))+{\hat{z}}^l,\end{array}$$
其中，$z^l$ 和 ${\hat{z}}^l$ 分别是模块 $l$ 中窗口注意力（WA）和多层感知（MLP）模块的输出；WA 表示使用滑动窗口的多头自我注意力模块；LN 表示对 z 进行线性运算的线性模块。该模块的结果是由注意力层提取的特征信息增强的特征图。因此，该模块有助于确定模型在检测物体时应关注的区域。

2.5 训练和运行过程

对于大型模型而言，检测物体的过程可能会耗费大量时间。在训练过程中，调整输入图像的大小，尽量减少信息损失，输入图像的大小分别为原始图像的 0.67 和 0.85。还对图像进行旋转和翻转，以丰富训练数据。在实验中，使用原始图像大小 0.67 的输入尺寸，并保留热图像的灰度或彩色比例。使用层堆叠和扩大计算区域等技术来提高识别速度。还通过使用 ConvGhost 和 Bottleneck Ghost 与参数数量较少的模型相结合，以减少计算特征图的时间。

3 结果

为了评估所提出的模型，在名为 VEDAI 的公共数据集和从无人机上收集的数据集上进行了实验。还在两个平台（包括高性能服务器和嵌入式计算机）上与其他最先进的模型进行了比较。

3.1 数据集

自己采集的数据由名为 Mavic 2 Enterprise Advanced 的无人机收集，该无人机配备了如图 4 所示的摄像头。红外热像仪的分辨率为 640 × 512 px，速度为 30 fps，16 倍变焦，精度为 ±2 摄氏度。无人机还配备了一个分辨率为 4800 万像素的彩色摄像头。不过，这台相机仅用于参考目的。所收集的视频数据持续时间长达 11 小时，在不同的时间和地点进行记录。因此，它为作者提供了数百万张热图像，用于训练和测试。此外，还使用名为 VEDAI 的公共数据集，利用无人机在各种条件下（尤其是弱光条件下）采集的热图像。数据集中的图像都经过预处理和标记，以确保模型使用时的质量。在比较中，所有模型都使用相同的 800 × 800 图像尺寸。

3.2 评估指标和平台

在所有比较中，使用平均精度（mAP）指标来评估模型在两个 IoU 阈值（0.5 和 0.95）下的精度。用于训练模型的平台是配有 GPU A100 3.2G 40G 的服务器。使用的优化函数是学习率为 $3.2\times 10^{-5}$ 的 Adam。使用 10 个初始epochs来稳定训练，并使用 150 个实际训练epochs，批量大小为 16。这个过程在自己的数据集和公共数据集上都进行了训练。

3.3 评估结果

将提出的模型与用于物体检测的常用模型进行了比较，包括 Faster R-CNN、ResNet、YOLO net、Vision Transformer (ViT)、E-net、ComNet [23]、SMPNet [24]、DPNetV3 [25]。结果见表一和表二。可以看出，提出的模型在 0.5 和 0.95 值时都比其他方法更准确。与使用等量参数的方法相比，提出的模型在两个数据集上都显示出更好的结果。具体来说，在 VEDAI 数据集上，提出的模型在 mAP50 上的表现比其他方法好 4.1% 到 7.01%，在自己的数据集上，提出的模型在 mAP95 上的表现比其他方法好 4.42% 到 9.83%。此外，提出的模型参数数量相对较少，这要归功于用注意力层和前馈线性层等计算效率高的层替换了多个 CNN 块。因此，与其他模型相比，提出的模型实现了更高的性能，并且能够部署在嵌入式系统上。

图 2 显示了 VEDAI 数据的一些结果，其中第一行代表热图像，第二行代表相应的彩色图像作为参考。可以看出，提出的模型在检测船只、飞机和汽车等常见物体时表现良好。这些图像也反映了从无人机数据中进行物体检测所面临的挑战，即当物体非常小的时候。图 3 显示了无人机在正常和具有挑战性的条件（如城市环境或弱光）下采集图像的结果。在这里，由于无人机配置的原因，热数据以红色比例表示，而不是灰度。还添加了第三行，以便近距离观察检测结果。可以看出，提出的模型可以识别物体，即使是那些体积小、热对比度低的物体。图 3d 显示了使用热图像比使用彩色图像的明显优势，在夜间也能检测到物体。

在另一项评估在无人机等嵌入式设备上部署模型的能力的实验中，通过保持模型质量的方法对模型进行了压缩。具体来说，使用迁移学习方法来缩小模型大小，同时保持其性能。实验使用的设备是一台名为 Jetson AGX 30W 的嵌入式计算机。将所有模型设置为在 Nvidia 设备的 GPU 线程上运行。表 III 显示了不同模型的实验结果，包括全模型、半模型、ONNX、TensorRT 和传输模型。可以看出，通过使用转移模型，提出的模型可以在嵌入式设备上部署，并且具有实时速度和高稳定性。因此，该模型可应用于无人机等实用系统。

4 结论

本文提出了一种新的神经网络模型，用于识别无人机采集的热图像上的物体。提出的模型采用了基于 YOLOv5 的改进骨干结构，并在颈部和预测头中使用了匹配分类器，从而提高了识别效率。特别是在预测头之前使用注意力块，大大提高了识别小物体的能力。在公共数据集和采集的数据集上的实验结果表明，提出的模型比最先进的方法表现更好。它的参数数量少，可以在嵌入式系统上实现实时计算。因此，该模型可部署在无人机等实际系统上，用于实际应用。