DMU-YOLO：机载视觉的多类异常行为检测算法

来源：计算机工程与应用杂志2025年第7期北京时间：

作者：韩佰轩, 彭月平, 郝鹤翔, 叶泽聪

单位：中国人民武装警察部队工程大学 信息工程学院，西安 710086

摘要：针对无人机航拍图像的检测算法中存在小目标识别精度低和特征提取能力不足的问题，设计了一种改进YOLOv9的多类别异常行为检测算法。该算法在模型头部加入改进的维度感知选择性集成模块，进行了有效的通道分割和融合策略，并在主干部分添加多维协同注意力机制，同时引入最大特征池化，强化了针对自建数据集的特征提取能力，而后将通用倒置残差模块与原网络的特征提取模块融合，形成了UIB-RepELAN特征提取模块，有效提升了模型检测的鲁棒性，针对难易样本不均匀分布导致的数据集长尾分布等问题，采用数据增强方法对异常类别样本进行扩充，并使用Focaler-IoU对损失函数进行重构，提高模型泛化能力。结果表明，相较于基线模型，在VisDrone2019数据集上的检测精度由0.046提高到0.048；针对自建数据集的检测精度由0.909提高到0.960，平均检测用时为28 ms，满足了高效率高精度的检测要求。

关键词：YOLOv9算法,多类异常行为检测,特征提取,无人机航拍数据集,深度学习