YOLO-FEDER FusionNet: A Novel Deep Learning Architecture for Drone Detection

目前，基于图像的无人机检测主要依赖于使用像YOLOv5这样的通用物体检测算法。虽然这些算法在识别均质背景下的无人机方面表现出色，但在复杂的高纹理环境中往往会遇到困难。在这种情况下，无人机会无缝地融入背景中，产生伪装效果，从而对检测质量产生不利影响。为解决这个问题，我们介绍了一种新的深度学习架构，称为YOLO-FEDER FusionNet。与传统方法不同，YOLO-FEDER FusionNet将通用物体检测方法与伪装物体检测技术的专业优势相结合，以增强无人机检测能力。对YOLO-FEDER FusionNet的全面评估显示了所提出模型的高效性，并证明了在减少漏检和误报方面的显着改进。

论文旨在解决基于图像的无人机检测在复杂背景下准确性不高的问题。

YOLO-FEDER FusionNet结合了通用物体检测算法和特殊的伪装物体检测技术，提高了无人机检测的准确性。

论文提出了一种新的深度学习架构YOLO-FEDER FusionNet，实现了对无人机的更准确检测。实验表明，该模型能够显著减少漏检和误报。

近期的相关研究包括：1. 'Drone detection in complex background using deep learning'；2. 'A survey of drone detection techniques'；3. 'A novel approach for drone detection using deep learning and visual saliency'.