优化改进YOLOv8实现实时无人机车辆检测的算法

来源：计算机工程与应用杂志2024年第9期北京时间：

作者：史涛, 崔杰, 李松

单位：1.天津理工大学 电气工程与自动化学院，天津 300384；2.华北理工大学 电气工程学院，河北 唐山 063210

摘要：针对现有无人机车辆检测算法精度低、易受背景环境干扰、难以检测微小目标车辆问题，提出了一种改进YOLOv8的无人机车辆检测算法YOLOv8-CX。结合Deformable Convolutional Networks v1-3的优点，提出一种能够灵活采样特征的C2f-DCN模块，以更好地提取不同尺寸大小车辆之间的特征。利用Large Separable Kernel Attention的思想，提出了具有长程依赖性和自适应能力的SPPF-LSKA模块，可以有效减少背景对于车辆检测的干扰。在颈部网络，采用CF-FPN（ment network for tiny object deteciton）特征融合结构，通过结合上下文信息和抑制不同尺度特征之间的冲突信息，提升了对小目标的检测精度。最后，将原始YOLOv8的头部替换为Dynamic Head检测头。通过将尺度、空间和任务三种注意力机制结合统一，进一步提升了模型的检测性能。实验结果表明，在Mapsai数据集上，改进算法与原算法相比准确率（P）、召回率（R）、平均精度（mAP）分别提升了8.5、11.2和6.2个百分点，且算法检测速度达到72.6?FPS，满足无人机车辆检测实时性的要求。通过与其他主流目标检测算法比较，验证了该方法的有效性和卓越性。

关键词：无人机车辆检测,YOLOv8,可变形卷积,注意力机制,特征融合