MSDGFM-YOLO11n-OBB: 空撮向け回転車両検出のための選択的高解像度差分誘導RGB-赤外線フュージョン

• MF-YOLOはYOLO11nをベースにストライド4のP2予測スケールを追加し、C2-C5にGLSAを独立適用、P2-P5を64チャネルBiFPNで接続する構成で、UAV画像の小物体検出精度を高めた
• 検証データセットでmAP@0.5が38.318±0.378%、mAP@0.5:0.95が22.658±0.239%となり、YOLO11nをそれぞれ4.264pt、2.694pt上回った
• 小物体の平均精度(APS)が8.700±0.092%から12.802±0.115%へ47.2%増加した

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…

• RGBと熱画像を統合する2段階マルチモーダル検出フレームワーク(YOLO-HA-GNN)が提案され、自動運転の物体検出において昼夜のパフォーマンスギャップを72.4%から7.4%に縮小した
• 提案手法は27.4 FPSのリアルタイム推論速度を達成し、自動運転知覚における精度と効率のトレードオフを実現した
• コードがGitHub (https://github.com/yangjiepry/YOLO-HA-GNN.git) で公開された

• 低照度物体検出のための新しいフレームワーク「GE-Detection」を提案
• ExDarkデータセットにおいてYOLO11nベースでmAP50-95が34.39%から36.74%に向上
• 2.91MパラメータでRTX 2080 Ti上134.7 FPSを維持

• MHF-Netは自動運転シーン向けのマルチモーダル物体検出ネットワークで、残差融合ブロック(ResFuse)、デュアルパスアテンション(DualAtt)、高周波アテンション(HFAtt)、空間・チャネルダウンサンプリング(SCDown)を組み合わせている。
• M3FDデータセットで61 FPSの検出速度と87.4%の精度(P)、mAP50で84.3%を達成した。
• ベースラインモデル比でパラメータ数を95%、計算複雑度を88%削減した。