当前位置：首页 > article >正文

目标检测：视觉系统中的CNN-Transformer融合网络

article 2025/10/26 2:46:15

一、背景

无人机（UAVs）在城市自动巡逻中发挥着重要作用，但它们在图像识别方面面临挑战，尤其是小目标检测和目标遮挡问题。此外，无人机的高速飞行要求检测系统具备实时处理能力。

为解决这些问题，我们提出了一种新的实时目标检测网络（RTD-Net），它结合了卷积神经网络（CNN）和Transformer的优势。RTD-Net特别设计了特征融合模块（FFM）和高效卷积Transformer块（ECTB），以增强小目标和遮挡目标的检测能力。同时，轻量级特征提取模块（LEM）确保了网络的高效运行，满足实时性需求。

我们的实验表明，RTD-Net在UAV图像数据集上实现了高精度和高速度的检测性能，且在嵌入式设备上也表现出良好的实时检测能力，为智能城市监控提供了一种有效的技术解决方案。

二、相关工作

无人机(UAV)在智能监控和城市巡逻中的应用日益增多，它们为自动目标检测提供了新的视角。然而，UAV图像的目标检测面临几个挑战：

小目标检测：由于UAV飞行高度较高，地面目标在图像中呈现较小，难以检测。
目标遮挡：城市环境中的遮挡物，如树木和建筑物，会阻断目标的视觉连续性，影响检测性能。
实时性能要求：无人机的快速移动要求检测系统具备高速处理能力。

为了应对这些挑战，研究人员已经探索了多种方法：

传统方法：早期的研究依赖于手工特征提取和机器学习分类器，如SIFT和SVM，这些方法依赖于专家知识且不够灵活。
基于CNN的方法：随着深度学习的发展，基于CNN的方法已经成为主流。这些方法通过端到端学习提高了检测精度，但通常计算量大，难以满足实时性要求。
基于Transformer的方法：最近，Transformer因其在处理序列数据中的长距离依赖关系的能力而受到关注。将其应用于图像检测，可以增强模型对遮挡目标的识别能力，但计算成本较高。

本研究提出的RTD-Net，通过结合CNN和Transformer的优势，旨在实现对UAV图像中小目标和遮挡目标的高效检测。我们通过设计轻量级特征提取模块和高效的Transformer块，减少了计算量，同时通过特征融合模块提升了小目标的检测性能。

三、提出的网络框架

为了提高无人机在复杂环境下的目标检测能力，我们提出了一个名为RTD-Net的实时目标检测网络，其整体结构如图1所示：

图1：RTD-Net体系结构概述

这个网络特别设计以应对小目标检测、遮挡目标识别和实时处理的需求。RTD-Net的关键组成部分包括：

1.RTD-Net概述

RTD-Net是一个单阶段检测网络，它直接从输入图像预测目标的位置和类别，然后通过非最大抑制（NMS）处理来获取最终检测结果。
网络设计考虑了检测精度和速度的平衡，特别适用于资源受限的嵌入式设备。

2.轻量级特征提取模块（LEM）：

LEM是网络的骨干部分，它使用同质多分支架构来减少计算量和参数数量。如图2所示，通过1x1的卷积核整合通道信息，然后通过3x3的卷积核进行特征提取，有效降低了模型的复杂性：

图2：LEM

3.高效卷积Transformer块（ECTB）：

设计了一个基于CNN和变压器的ECTB，标准变压器块主要由MHSA层和线性层组成，如图3所示：

图3：不同变压器块的结构。(a)标准变压器块。(b)瓶颈变压器(BoT)块。©拟议的ECTB。

ECTB是网络的核心创新之一，它结合了CNN和Transformer的优势。通过引入卷积多头自注意力（CMHSA）机制，ECTB能够提取图像的全局特征，并通过上下文信息改善遮挡目标的识别。
外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

4.特征融合模块（FFM）：

FFM基于双向特征金字塔网络（BiFPN）设计，用于融合不同层级的特征。通过特征融合，FFM增强了模型对小目标的检测能力，提高了特征的表达能力。

5.注意力预测头（APH）：

APH采用了基于归一化的注意力模块（NAM），用于提高模型对复杂场景中目标的注意力集中能力。
APH通过通道和空间两个独立的维度来推断输入图像的注意力，如图4所示，并将其应用于输入特征图，以提升检测精度。

图4：(a)通道注意机制。(b)空间注意机制

这些组件共同工作，使得RTD-Net能够在保持高检测精度的同时，满足UAV在资源受限环境中的实时性要求。

四、实验

为了全面评估RTD-Net的性能，我们在多个方面进行了实验，包括在自定义的UAV图像数据集和标准的MS COCO2017数据集上的评估，以及在嵌入式平台上的实时性能测试。

1.数据集准备：

我们收集并创建了一个包含9630张图像的UAV图像数据集，这些图像涵盖了不同的天气条件、光照环境和城市郊区背景。

数据集被分为训练集（60%）、验证集（20%）和测试集（20%），包含七种常见的地面目标类别：轿车、行人、摩托车、自行车、卡车、公交车和三轮车。

图像中的目标根据平均面积比例（AAR）被分为大、中、小三类，以模拟真实世界中UAV检测的挑战。

2.在UAV图像数据集上的结果：

我们使用平均精度（mAP）作为主要的评估指标，以衡量模型在不同类别和不同大小目标上的检测性能。RTD-Net在该数据集上达到了86.4%的mAP，超过了其他现有的最先进方法，同时在NVIDIA GTX1080Ti上实现了312帧/秒的高检测速度。

我们还进行了详尽的对比实验，将RTD-Net与多种最新的目标检测模型进行了比较，包括Faster R-CNN、SSD、YOLO系列等，证明了RTD-Net在检测精度和速度上的优势。

3.在MS COCO2017数据集上的结果：

为了测试RTD-Net的泛化能力，我们在标准的MS COCO2017数据集上进行了额外的评估。
RTD-Net在COCO2017数据集上的表现与UAV图像数据集上的表现一致，显示出良好的泛化能力和在不同场景下的适用性，COCO2017中的可视化结果：

4.嵌入式平台测试：

我们在NVIDIA Jetson TX2嵌入式平台上测试了RTD-Net的实时性能，这是评估其在实际UAV应用中的适用性的关键步骤。

在不使用TensorRT优化的情况下，RTD-Net在TX2上达到了33.4帧/秒的检测速度，满足了实时检测的要求。
使用TensorRT优化后，检测速度略有下降，但模型的检测精度提高了，证明了RTD-Net在资源受限设备上的实际应用潜力。

通过这些详细的实验，我们全面验证了RTD-Net在目标检测任务中的高性能，特别是在UAV视觉系统中的实际应用价值。

五、结论

本研究成功开发了一种名为RTD-Net的实时目标检测网络，专为无人机(UAV)视觉系统设计，以应对城市自动巡逻中的复杂挑战。通过精心设计的网络结构，包括轻量级特征提取模块（LEM）、高效卷积Transformer块（ECTB）和特征融合模块（FFM），RTD-Net在检测精度和速度上均取得了显著的性能。

检测精度：在UAV图像数据集上，RTD-Net实现了86.4%的mAP，特别是在小目标和遮挡目标的检测上，相比现有技术有显著提升。
实时性能：在NVIDIA Jetson TX2嵌入式设备上，RTD-Net展现了满足实时处理需求的能力，检测速度达到33.4帧/秒，证明了其在资源受限环境中的实用性。
泛化能力：在MS COCO2017数据集上的测试进一步证实了RTD-Net良好的泛化能力，表明该模型不仅适用于特定的UAV视觉任务，也能泛化到其他目标检测场景。

总之，RTD-Net的有效性在多个层面得到了验证，其在智能监控和自动化巡逻等领域具有广泛的应用前景。未来的工作将探索该模型在更多样化的实际场景中的应用，并进一步优化其性能。