《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 人工智能 > 设计应用 > 基于多尺度特征融合的无人机目标识别算法研究
基于多尺度特征融合的无人机目标识别算法研究
电子技术应用
刘方，陈文瑞，沙峥瑜
中国船舶集团有限公司第七二三研究所
摘要： 针对复杂环境下无人机目标识别精度低、实时性差的问题，提出一种基于自适应神经网络与多尺度特征融合的无人机目标识别算法。该算法采用改进的卷积神经网络提取多层次特征，结合注意力机制自适应调整特征权重，并通过多尺度特征融合增强目标表征能力。在DroneCrowd数据集上的实验表明，相比ResNet-50、YOLOv11和EfficientNet等算法，所提方法平均识别准确率达到94.3%，相比ResNet-50提升8.7个百分点，相比YOLOv11提升2.0个百分点；F1分数达到93.9%；处理速度达到61.0 FPS，相比ResNet-50提升35%；展现出优异的鲁棒性，为无人机目标识别提供了有效解决方案。
中圖分類號(hào)：TP391.4；TP18 文獻(xiàn)標(biāo)志碼：A DOI: 10.16157/j.issn.0258-7998.257364
中文引用格式： 劉方，陳文瑞，沙崢瑜. 基于多尺度特征融合的無(wú)人機(jī)目標(biāo)識(shí)別算法研究[J]. 電子技術(shù)應(yīng)用，2026，52(4)：38-41.
英文引用格式： Liu Fang，Chen Wenrui，Sha Zhengyu. Research on UAV target recognition algorithm based on multi-scale feature fusion[J]. Application of Electronic Technique，2026，52(4)：38-41.
Research on UAV target recognition algorithm based on multi-scale feature fusion
Liu Fang，Chen Wenrui，Sha Zhengyu
The 723rd Research Institute of China State Shipbuilding Corporation
Abstract： To address the problems of low target recognition accuracy and poor real-time performance of unmanned aerial vehicles (UAVs) in complex environments, this paper proposes a UAV target recognition algorithm based on adaptive neural networks and multi-scale feature fusion. The algorithm employs an improved convolutional neural network to extract multi-level features, combines attention mechanisms to adaptively adjust feature weights, and enhances target representation capability through multi-scale feature fusion. Experiments on the DroneCrowd dataset demonstrate that compared to algorithms such as ResNet-50, YOLOv11 and EfficientNet, the proposed method achieves an average recognition accuracy of 94.3%, representing an improvement of 8.7 percentage points over ResNet-50 and 2.0 percentage points over YOLOv11; an F1 score of 93.9%; and a processing speed of 61.0 FPS, representing a 35% improvement over ResNet-50. The method exhibits excellent robustness, providing an effective solution for UAV target recognition.
Key words : drone recognition；deep learning；multi-scale features；attention mechanism；target detection

引言

隨著無(wú)人機(jī)技術(shù)的快速發(fā)展，無(wú)人機(jī)在軍用和民用領(lǐng)域的應(yīng)用日益廣泛，同時(shí)也帶來了新的安全威脅[1-2]。準(zhǔn)確識(shí)別和分類無(wú)人機(jī)目標(biāo)對(duì)于空域安全管理、反無(wú)人機(jī)系統(tǒng)和智能監(jiān)控具有重要意義。然而，無(wú)人機(jī)目標(biāo)具有尺寸小、形狀多樣、飛行姿態(tài)變化大等特點(diǎn)，傳統(tǒng)的目標(biāo)識(shí)別方法難以滿足實(shí)際應(yīng)用需求[3-4]。

近年來，深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺領(lǐng)域取得了突破性進(jìn)展[5-6]。卷積神經(jīng)網(wǎng)絡(luò)（CNN）通過層次化特征學(xué)習(xí)，在目標(biāo)檢測(cè)和識(shí)別任務(wù)中展現(xiàn)出優(yōu)異性能[7-8]。然而，單純的CNN網(wǎng)絡(luò)在處理多尺度目標(biāo)和復(fù)雜背景時(shí)仍存在局限性。注意力機(jī)制的引入為解決這一問題提供了新思路，通過自適應(yīng)調(diào)整特征權(quán)重，增強(qiáng)網(wǎng)絡(luò)對(duì)關(guān)鍵信息的關(guān)注度[9-10]。

多尺度特征融合是提升目標(biāo)識(shí)別性能的重要技術(shù)手段[11-12]。通過融合不同層次的特征信息，可以更好地捕獲目標(biāo)的細(xì)節(jié)特征和全局語(yǔ)義信息。特征金字塔網(wǎng)絡(luò)（FPN）[13]和路徑聚合網(wǎng)絡(luò)（PANet）[14]等方法在多尺度目標(biāo)檢測(cè)中取得了顯著效果。

本文針對(duì)無(wú)人機(jī)目標(biāo)識(shí)別的技術(shù)難點(diǎn)，提出一種基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)與多尺度特征融合的識(shí)別算法。主要貢獻(xiàn)包括：（1）設(shè)計(jì)了改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，增強(qiáng)了小目標(biāo)特征提取能力；（2）引入通道-空間雙重注意力機(jī)制，自適應(yīng)調(diào)整特征權(quán)重；（3）提出多尺度特征融合策略，提升目標(biāo)表征的判別性；（4）在多種場(chǎng)景下驗(yàn)證了算法的有效性和魯棒性。


本文詳細(xì)內(nèi)容請(qǐng)下載：

http://www.ihrv.cn/resource/share/2000007035


作者信息：

劉方，陳文瑞，沙崢瑜

（中國(guó)船舶集團(tuán)有限公司第七二三研究所，江蘇 揚(yáng)州 225101）

2.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。