Eagle-YOLO｜破解无人机小目标检测难题，低空安防实时检测新标杆
点击蓝字
关注我们
关注并星标
从此不迷路
计算机视觉研究院
公众号ID｜计算机视觉研究院
学习群｜扫码在主页获取加入方式
file:///C:/Users/86178/Downloads/drones-10-00112-v3.pdf
计算机视觉研究院专栏
Column of Computer Vision Institute
本文提出Eagle-YOLO检测框架，直击无人机小目标检测核心难题，用多粒度特征聚合实现精度与速度的极致平衡，为低空安防提供轻量化、可边缘部署的全新方案。
PART/1
痛点
低空安防新挑战：小目标 + 复杂背景的检测困境
随着消费级无人机快速普及，低空安防对入侵无人机实时检测的需求日益迫切。但无人机检测面临两大核心难题：
- 目标尺度极端差异：入侵无人机多为像素级小目标，易被背景淹没；
- 背景干扰严重：云层、建筑、鸟类等易造成误检；
- 频谱均一化瓶颈：常规卷积下采样会丢失小目标高频细节，导致检测失效。
现有 YOLO 系列、RTMDet 等实时检测器，在无人机场景下难以兼顾精度、速度与边缘部署，亟需针对性的架构革新。
PART/2
创新
Eagle-YOLO 核心创新：三大模块重塑无人机检测架构
Eagle-YOLO 以 RTMDet 为基线，针对无人机检测痛点提出多粒度特征聚合方案，核心包含三大创新模块，完美平衡精度与推理速度。
1. 分层粒度模块（HG-Block）：小目标细节锚点
替代常规卷积块，采用分通道 - 级联上下文注入结构，将特征按通道拆分为多粒度片段，浅层保留小目标像素级细节，深层聚合大目标语义信息，从根源缓解频谱均一化问题。
HG-Block 与 CSCM 架构图
2. 跨阶段上下文调制（CSCM）：全局语义降噪
通过全局平均池化生成场景描述符，结合可学习环境原型，动态抑制背景干扰（云层、鸟类），精准聚焦无人机目标，大幅降低复杂场景误检率。
3. 尺度自适应异构卷积（SAHC）：感受野动态匹配
打破常规均匀卷积设计，按网络阶段动态分配卷积核：浅层用 3×3 小核保留小目标细节，深层用 5×5/7×7/9×9 大核捕捉整体结构，实现感受野与无人机尺度分布精准对齐。
（SAHC 策略详细配置）
PART/3
实验
实验验证：精度速度双优，登顶 SOTA
Eagle-YOLO 在DUT Anti-UAV、Anti-UAV两大权威数据集上完成全面测试，兼顾服务器与嵌入式边缘平台部署。
1. 核心性能数据
轻量版 Eagle-YOLO-T：74.62% AP，超 RTMDet-T 基线 1.67%，推理速度141 FPS（RTX 4090）；
高精度版 Eagle-YOLOv8-M：94.38% AP₅₀，超 YOLOv8-M 2.83%；
复杂背景下：误检率（FPPI）降低60%，抗干扰能力显著提升。
（模块消融实验结果）
（SOTA 方法对比）
2. 可视化验证
通过梯度加权类激活映射（Grad-CAM）可视化，Eagle-YOLO 可精准锁定无人机目标，完全忽略背景干扰，检测聚焦度极高。
（类激活映射可视化图）
感受野分布对比图
PART/4
总结
Eagle-YOLO 通过HG-Block+CSCM+SAHC的协同设计，成功解决无人机检测的频谱均一化、小目标丢失、背景干扰三大痛点，实现高精度 + 实时性 + 边缘友好的三重突破，为电池供电的低空安防边缘监测平台提供实用解决方案。
未来研究将拓展至多模态数据融合，适配更复杂的低空安防场景，持续提升无人机检测的鲁棒性与泛化性。
有相关需求的你可以联系我们！
END
转载请联系本公众号获得授权
计算机视觉研究院学习群等你加入！
ABOUT
计算机视觉研究院
计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架，提供论文一键下载，并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！
往期推荐
🔗
Agent 垂直技术社区，欢迎活跃、内容共建。
更多推荐
8
0- 0
已为社区贡献26条内容
所有评论(0)