Page 63 - 《武汉大学学报（信息科学版）》2025年第6期

第 50 卷第 6 期 谢亚坤等：顾及小目标特征的无人机影像人员检测方法 1085

图 6 不同明暗程度对比分析
Fig. 6 Comparative Analysis of Different Light and Dark Levels

表 2 消融实验对比结果/% 要信息，减轻低层特征中的背景噪声干扰，更好
Table 2 Comparison Results of Ablation Experiment/%
地融合高层特征的语义信息和低层特征的细节
方法 P R mAP
信息，显著提高网络对于无人机影像背景与前景
无 SPD-Conv 75.0 63.9 67.2
信息的判别能力；（2）针对小目标特征信息少的
无 SFF 75.3 66.3 67.8
问题，设计了 CAM 模块，综合目标周围的环境信
无 CAM 74.9 64.8 67.6
本文方法 75.5 67.7 68.9 息，包括局部特征、周围上下文和全局上下文，丰
富小目标的上下文特征，进一步提升了方法对于
3 结 语 无 人 机 大 视 角 及 小 目 标 人 员 的 特 征 提 取 能 力 。
将本文方法与 6 种深度学习方法进行对比分析，
本文提出了一种顾及小目标特征的无人机
结果表明，mAP 提高了 3.1%~29.5%，P 提高了
影像人员检测方法，旨在解决无人机影像中人员
0.9%~8.6%，R 提高了 1.0%~57.9%，明显高于
目 标 较 小 且 背 景 复 杂 的 问 题 。 主 要 结 论 如 下 ： 现有方法精度。此外，从方法泛化性、消融实验

（1）针对背景噪声干扰的问题，建立了 SFF 模块， 等方面对本文方法进行了详细分析，进一步验证
利用高层特征作为权重来引导低层特征中的重 了本文方法缓解了无人机影像人员检测精度低