YOLO-SOD: 深層学習モデルを用いた色確率マップに基づく顔検出向けファジィフレームワーク

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…

• 赤外線と可視光を融合した小型物体検出モデル「DTF-YOLO」が提案され、M3FDデータセットにて2.91MパラメータでmAP@0.5が87.32%、LLVIPで95.26%を達成した。

• SAR小型船舶検出向けにYOLO11ベースの高解像度検出アルゴリズム「LHR-YOLO」を提案(Stemでのエッジ強調、Backboneの改良型C3k2、Neck–Detectの高解像度検出ヘッドを統合)
• HRSIDとSSDDデータセットでmAP50:95がそれぞれ71.59%、73.40%を達成
• YOLO11n比でHRSIDのmAPが53.95%から60.53%へ6.58ポイント改善

• AFWD-Netは粗い密度推定器で優先度マップを作り、Gumbel top-K緩和と空間トランスフォーマーサンプラーで微分可能に高解像度クロップの中心・スケールを決定する、UAV画像向け微小物体検出の新手法
• 学習可能なウェーブレット分解により、ストライドダウンサンプリングで失われた高周波構造をクロップ内で復元し、微小ターゲットと背景ノイズを区別する
• VisDrone2019-DETでmAP@0.5 49.3%、mAP@[0.5:0.95] 30.4%、APS 22.8%、パラメータ数15.7Mを達成

• 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。