基于多尺度特征融合的无人机目标识别算法研究
电子技术应用
刘方，陈文瑞，沙峥瑜
中国船舶集团有限公司第七二三研究所
摘要： 针对复杂环境下无人机目标识别精度低、实时性差的问题，提出一种基于自适应神经网络与多尺度特征融合的无人机目标识别算法。该算法采用改进的卷积神经网络提取多层次特征，结合注意力机制自适应调整特征权重，并通过多尺度特征融合增强目标表征能力。在DroneCrowd数据集上的实验表明，相比ResNet-50、YOLOv11和EfficientNet等算法，所提方法平均识别准确率达到94.3%，相比ResNet-50提升8.7个百分点，相比YOLOv11提升2.0个百分点；F1分数达到93.9%；处理速度达到61.0 FPS，相比ResNet-50提升35%；展现出优异的鲁棒性，为无人机目标识别提供了有效解决方案。
中圖分類號：TP391.4；TP18 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.257364
中文引用格式： 劉方，陳文瑞，沙崢瑜. 基于多尺度特征融合的無人機目標識別算法研究[J]. 電子技術應用，2026，52(4)：38-41.
英文引用格式： Liu Fang，Chen Wenrui，Sha Zhengyu. Research on UAV target recognition algorithm based on multi-scale feature fusion[J]. Application of Electronic Technique，2026，52(4)：38-41.
中文引用格式： 劉方，陳文瑞，沙崢瑜. 基于多尺度特征融合的無人機目標識別算法研究[J]. 電子技術應用，2026，52(4)：38-41.
英文引用格式： Liu Fang，Chen Wenrui，Sha Zhengyu. Research on UAV target recognition algorithm based on multi-scale feature fusion[J]. Application of Electronic Technique，2026，52(4)：38-41.
Research on UAV target recognition algorithm based on multi-scale feature fusion
Liu Fang，Chen Wenrui，Sha Zhengyu
The 723rd Research Institute of China State Shipbuilding Corporation
Abstract： To address the problems of low target recognition accuracy and poor real-time performance of unmanned aerial vehicles (UAVs) in complex environments, this paper proposes a UAV target recognition algorithm based on adaptive neural networks and multi-scale feature fusion. The algorithm employs an improved convolutional neural network to extract multi-level features, combines attention mechanisms to adaptively adjust feature weights, and enhances target representation capability through multi-scale feature fusion. Experiments on the DroneCrowd dataset demonstrate that compared to algorithms such as ResNet-50, YOLOv11 and EfficientNet, the proposed method achieves an average recognition accuracy of 94.3%, representing an improvement of 8.7 percentage points over ResNet-50 and 2.0 percentage points over YOLOv11; an F1 score of 93.9%; and a processing speed of 61.0 FPS, representing a 35% improvement over ResNet-50. The method exhibits excellent robustness, providing an effective solution for UAV target recognition.
Key words : drone recognition；deep learning；multi-scale features；attention mechanism；target detection
引言
隨著無人機技術的快速發展，無人機在軍用和民用領域的應用日益廣泛，同時也帶來了新的安全威脅[1-2]。準確識別和分類無人機目標對于空域安全管理、反無人機系統和智能監控具有重要意義。然而，無人機目標具有尺寸小、形狀多樣、飛行姿態變化大等特點，傳統的目標識別方法難以滿足實際應用需求[3-4]。
近年來，深度學習技術在計算機視覺領域取得了突破性進展[5-6]。卷積神經網絡（CNN）通過層次化特征學習，在目標檢測和識別任務中展現出優異性能[7-8]。然而，單純的CNN網絡在處理多尺度目標和復雜背景時仍存在局限性。注意力機制的引入為解決這一問題提供了新思路，通過自適應調整特征權重，增強網絡對關鍵信息的關注度[9-10]。
多尺度特征融合是提升目標識別性能的重要技術手段[11-12]。通過融合不同層次的特征信息，可以更好地捕獲目標的細節特征和全局語義信息。特征金字塔網絡（FPN）[13]和路徑聚合網絡（PANet）[14]等方法在多尺度目標檢測中取得了顯著效果。
本文針對無人機目標識別的技術難點，提出一種基于自適應神經網絡與多尺度特征融合的識別算法。主要貢獻包括：（1）設計了改進的卷積神經網絡架構，增強了小目標特征提取能力；（2）引入通道-空間雙重注意力機制，自適應調整特征權重；（3）提出多尺度特征融合策略，提升目標表征的判別性；（4）在多種場景下驗證了算法的有效性和魯棒性。
本文詳細內容請下載：
http://www.tom3567.com/resource/share/2000007035
作者信息：
劉方，陳文瑞，沙崢瑜
（中國船舶集團有限公司第七二三研究所，江蘇 揚州 225101）
此內容為AET網站原創，未經授權禁止轉載。