面向降质光电图像的脑启发无人机小目标鲁棒检测方法

来源：信号处理杂志 2025年第5期北京时间：

作者：李茹一, 柯铭, 王路斌, 刘珮, 高晋, 王刚

摘要：复杂环境下的噪声干扰，包括传感器噪声、电子干扰以及天气条件等因素，会显著降低无人机目标检测的准确性和鲁棒性。这些干扰因素不仅会影响图像的质量，还可能导致目标特征的丢失或失真，从而对检测模型的性能产生负面影响。特别是在无人机检测任务中，目标通常较小且背景复杂，噪声干扰会进一步加剧检测难度。针对这一问题，提出了一种基于初级视皮层多尺度方位选择性感受野的目标检测模型（YOLO with Multiscale Orientation-selective Receptive Fields，MORF-YOLO），提升模型在噪声环境下的目标检测性能。该方法借鉴了人类视觉系统的特性，利用多尺度各向异性高斯核模拟初级视皮层中神经元的感受野机制，以提取图像中的多尺度、方位选择性特征。MORF-YOLO通过在YOLO目标检测框架中引入视觉信息引导模块，增强了低层特征的表征能力，从而提高了模型对噪声干扰的适应性和鲁棒性。为验证模型的有效性，在AntiUAV2021无人机数据集上构建了包含不同噪声水平的数据集，并对比了MORF-YOLO与现有主流目标检测方法（如YOLOv5、DiffusionDet和DETR）的性能表现。实验结果表明，MORF-YOLO在无噪声及不同强度噪声条件下均表现出优异的检测精度。特别是在强高斯噪声场景（噪声方差为0.18）下，MORF-YOLO的检测精度（mAP@0.5）较其他方法提升了5%~30%。在低噪声和中等噪声条件下，其精确率和召回率也显著优于对比方法。此外，在模糊干扰和椒盐噪声条件下，MORF-YOLO同样表现出更强的鲁棒性，能够有效减少误检率并提高检测稳定性。

关键词：‍‍初级视皮层, 小目标检测, 无人机, 噪声鲁棒性, 深度卷积神经网络