【自读笔记】A Modified YOLOv8 Detection Network for UAV Aerial Image Recognition

论文：Drones | Free Full-Text | A Modified YOLOv8 Detection Network for UAV Aerial Image Recognition (mdpi.com)

1.intro

无人机+深度学习成趋势。

分析现状，优（现在需要性）；

缺：

1.深度学习模型在实际无人机目标检测任务中往往难以部署[6-8]。原因主要是由于两点:一方面，无人机的航空摄影图像与地面摄影不同，具有大场景、小目标、多尺度、背景复杂[9]

2.另一方面，这样的检测任务通常需要在嵌入式设备中实现推理过程，并且对准确性和实时性能有很高的要求，复杂的网络检测对于边缘设备很难。

轻量级目标检测器难以提高准确性[13-15]。这些因素阻碍了深度学习方法在无人机多目标检测领域的发展。

举例，引出深度模型的边缘化部署的重要性！！

因此，设计一个同时考虑检测精度和重量轻的模型来补偿深度学习在无人机航拍图像应用中的瓶颈具有重要的现实意义。本文针对上述问题，提高了无人机航拍图像多目标检测模型的通用性和有效性。

1.1主要的工作：

1. Bi-PAN-FPN 小目标检测

2. 解决了航空图像中小目标容易误检和漏检的常见问题;

3. 集成Ghostblock单元和Wise-IoU边界盒回归损失

4. 优化模型的骨干网络和损失函数，在提高模型的准确性的同时抑制模型的参数数量。

5. 消融实验验证可行性和有效性。map值~~~，parameters~~~.综合能力提高

6. 将所提出的模型与当前六种主流和先进的深度目标检测模型进行了比较，以证明我们提出的模型的优越性。此外，比较三个优秀模型的可解释性说明了该方法的优越性的原因。

说一下本文的安排，导航

2.Related Work

1.无人机图像检测任务出现了一些有效的方法，举例UFPMP-Net；该方法将尺度小、单场景无人机数据集的特征与自然图像数据集相比，设计了统一的前景打包(UFP)模块对粗检测器给出的子区域进行聚类，抑制背景。。。。一堆文献的网络

2.尽管先进的目标检测方法在促进无人机多目标检测任务中起着至关重要的作用，但这些方法大多需要大量的内存开销和计算需求，难以直接部署在低功耗图像处理器(如边缘设备)中。YOLO系列检测网络的出现解决了这个问题【21】引用！！！

YOLO系列检测网络的出现解决了这个问题。这一系列模型目前通过八个官方版本和多个分支版本[21]迭代。标准的 YOLO 模型通常分为三个部分：主干、颈部和头部。其中，主干是一个特征提取网络，用于从图像中提取特征信息[22，23]；颈部可以融合从主干中提取的特征，使网络学习到的特征更加多样化，提高检测网络的性能；头部可以利用以前的高质量特征工程做出准确的预测。几乎每一代 YOLO 模型都对这三种结构进行了相应的改进和增强。由于其在检测精度和速度方面的出色表现，YOLO系列模型已广泛应用于遥感、交通、医学等领域[24]。

目前学者的研究

为了解决哪方面的问题，参考文献的，哪个模块，，解决了哪方面的问题。。。

3.Improved Aerial Image Detection Model（模型）

从三个方面构建模型：

1. 对于小目标漏检误检，将YOLOv8中的路径聚合网络特征金字塔网络（PAN-FPN）替换为双向路径聚合网络特征金字塔网络（Bi-PAN-FPN），并添加上采样过程以关注小目标特征。通过充分考虑和重用多尺度特征，我们实现了更先进、更全面的特征融合，同时尽可能地保持参数成本。
2. 提出使用GhostblockV2结构来代替骨干网中的一些C2f模块，在长距离特征传输过程中抑制信息丢失，同时显著减少模型参数的数量。
3. 边界框回归损失用 WiseIoU 损失代替了 WiseIoU 损失中的 CIoU 损失。它结合了动态非单调聚焦机制，通过使用“异常值”来评估锚盒质量，使检测器考虑了不同质量的锚盒，提高了检测任务的整体性能。