MF-YOLO: UAV画像における小物体検出のための高解像度重み付き特徴量融合とグローバル・ローカル集約

• 空撮向けRGB・赤外線フュージョン検出器「MSDGFM-YOLO11n-OBB」が提案され、YOLO11s-OBBと比較してパラメータ数を58.1%、FLOPsを54.0%削減しながらmAP@0.50で0.7853を達成した。

ドローン(UAV)の空撮画像における小ターゲット検出では、特徴表現の弱さ、スケール変化の大きさ、背景干渉といった問題があり、軽量性と検出精度の両立が困難である。この課題に対し、極めて軽量かつ高精度な小ターゲット検出アーキテクチャ「GS-YOLO」が提案された。モジュール革新により、極限の軽量性と検出性能の向上が達成されている。主な革新点は以下の通りである。1) 軽量小ターゲット認識アテンション融合モジュール「C2FGhostLight」の設計。GhostConvを最適化して従来の畳み込み演算に置き換え、デュアルパス軽量アテンション機構と組み合わせることで、パラメータ数を大幅に削減し、背景干渉…

• YOLOv11をベースに、Mamba機構と階層的マルチヘッド自己注意を統合したMAFBモジュールをバックボーンに組み込んだMAFD-NETを提案。
• ネックにエッジ保存動的アップサンプリング(EPDU)モジュールを設計し、マルチスケール特徴のアライメントを実現。
• Duke Power Transmission and Distribution InfrastructureデータセットでmAP0.5 78.26%、リコール75.12%、mIoU 74.87%を達成。

• YOLO11nをベースに、C3k2_SGB・ADown・C2VGAアテンション・FSIoU損失の4つの最適化を組み込んだ軽量花卉検出フレームワーク「Flora-YOLO」を提案。
• 5分割クロスバリデーション評価で、ベースライン比28.6%の計算負荷削減とmAP@0.5=86.7%、mAP@0.5:0.95=50.4%を達成。モデル規模は1.73Mパラメータ・4.5GFLOPs。
• Android端末およびNPUアクセラレータ搭載のNXP i.MX 8M Plus上で、90.5msレイテンシ・11.05FPSのリアルタイム推論を実機展開で実現。

• YOLOv11nをベースにFADC、BiFormer、MobileNetV4、Deformable Convolutionを導入したFDMB-YOLOv11モデルを提案。通常照明下でmAP@0.5 97.17%を達成し、YOLOv11n比16.74%向上。
• パラメータ数を258万から193万に削減し軽量化を実現。FPSは65.789に低下するもリアルタイム推論性能を維持し、エッジデバイスへの展開可能性を示した。