YOLOv9-CAG多场景感知无人机精准识别

快速阅读: 据《Nature.com》称，研究人员开发出YOLOv9-CAG算法，融合可见光、红外和音频信号，提升无人机识别准确率。实验显示，其mAP0.50达92.0%，比原模型提高10.8%。该算法在复杂环境下表现优异，为无人机安全监控提供新方案。

记者了解到，近期，研究人员开发出一种名为YOLOv9-CAG的新算法，旨在解决无人机在远距离和复杂环境中的识别难题，特别是在夜间场景下。该算法通过融合可见光、红外和音频信号，增强了无人机识别的准确性和可靠性。

改进后的YOLOv9-CAG算法在多个方面进行了优化。首先，通过替换主干网络末尾的模块，提升了小型目标无人机特征的提取能力；其次，在头部网络中引入了GAM注意力机制，增强了模型对特定区域或特征的关注；最后，在头部末端实现了增强型AKConv动态卷积，更有效地捕捉轮廓细节。

实验结果显示，YOLOv9-CAG模型在Bird-UAV可见光数据集上的无人机mAP0.50达到了92.0%，比原YOLOv9模型提高了10.8%。在红外数据集上，该模型的mAP0.50和召回率分别为86.5%和89.2%，分别提升了12.4%和11.4%。此外，在音频谱数据集上，YOLOv9-CAG模型的mAP0.50和召回率也分别提高了8.4%和14.3%。

值得注意的是，该模型不仅在无人机识别方面表现出色，在鸟类识别上也有良好表现。在可见光和红外条件下，其mAP0.50分别达到了85%和94.8%，比原YOLOv9模型高出19.8%和1.1%。

在实际应用测试中，YOLOv9-CAG模型在真实世界的可见光和红外视频中，整体平均准确率分别提高了6.8%和3.8%。这些成果表明，新算法在多种场景下均能有效提升无人机识别的性能。

这项研究为多模态无人机检测提供了新的解决方案，显著提高了在复杂条件下的识别准确性，为无人机安全监控技术的发展开辟了新路径。

(以上内容均由Ai生成)