基于深度学习的无人机运动追踪与检测

人工智能其他案例ID：251526

勰

1 年经验· 湖南大学

微信扫码沟通，客服可协助直接对接工程师；如当前档期不合，也可继续推荐相似案例作者。

案例介绍

作品介绍：针对红外小目标检测中“光流特征直接融合反而导致性能下降”的问题，我研究并实现了基于深度学习的无人机运动追踪与检测方案。项目核心发现是“时间域偏移”：光流幅值与帧间隔△t成正比，异构采样率会破坏特征分布一致性。
详细功能：系统输入RGB与光流信息，输出无人机/红外小目标检测与运动追踪结果；支持复杂环境下目标检测，并在静态场景光流退化为噪声时自动增强外观特征。
我的角色：核心算法设计与实验负责人。负责设计时间归一化算法，将位移转换为与采样率无关的瞬时速度；设计6通道早期融合架构6ch-TNF，在输入层拼接RGB与TNF，让单模型同时学习外观与运动联合表征；引入运动通道增强策略，提升运动质量变化下的稳定性；完成实验对比与论文撰写。
技术栈： Python、PyTorch、C/C++、Linux、光流、多通道特征融合、目标检测、红外小目标检测。
成果产出：在红外小目标检测任务上，5折平均召回率0.845，较RGB基线提升1.6%，较晚期融合方法提升2.7%，召回标准差降低37%；撰写论文《Temporal Domain Shift in Motion-Augmented Detection...》，一作在投。
搜索关键词：无人机运动追踪、红外小目标检测、光流、时间归一化、6通道早期融合、6ch-TNF、时间域偏移、帧率不一致、PyTorch、目标检测。