論文の概要: SDD-YOLO: A Small-Target Detection Framework for Ground-to-Air Anti-UAV Surveillance with Edge-Efficient Deployment

• arxiv url: http://arxiv.org/abs/2603.25218v1
• Date: Thu, 26 Mar 2026 09:17:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.208866
• Title: SDD-YOLO: A Small-Target Detection Framework for Ground-to-Air Anti-UAV Surveillance with Edge-Efficient Deployment
• Title（参考訳）: SDD-YOLO:エッジ効率な展開による地中対空対空監視のための小型検知フレームワーク
• Authors: Pengyu Chen, Haotian Sa, Yiwei Hu, Yuhan Cheng, Junbo Wang,
• Abstract要約: 本稿では,G2A対UAV監視に適した小型ターゲット検出フレームワークであるSDD-YOLOを提案する。 SDD-YOLOは、マイクロターゲットにとって重要な微細な空間的詳細を捉えるため、P2高解像度検出ヘッドを4倍のダウンサンプリングで動作させる。 SDD-YOLO-nはDroneSOD-30Kで86.4%のmAP@0.5を達成し、YOLOv5nベースラインを7.8ポイント上回った。
• 参考スコア（独自算出の注目度）: 10.723885979419954
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting small unmanned aerial vehicles (UAVs) from a ground-to-air (G2A) perspective presents significant challenges, including extremely low pixel occupancy, cluttered aerial backgrounds, and strict real-time constraints. Existing YOLO-based detectors are primarily optimized for general object detection and often lack adequate feature resolution for sub-pixel targets, while introducing complexities during deployment. In this paper, we propose SDD-YOLO, a small-target detection framework tailored for G2A anti-UAV surveillance. To capture fine-grained spatial details critical for micro-targets, SDD-YOLO introduces a P2 high-resolution detection head operating at 4 times downsampling. Furthermore, we integrate the recent architectural advancements from YOLO26, including a DFL-free, NMS-free architecture for streamlined inference, and the MuSGD hybrid training strategy with ProgLoss and STAL, which substantially mitigates gradient oscillation on sparse small-target signals. To support our evaluation, we construct DroneSOD-30K, a large-scale G2A dataset comprising approximately 30,000 annotated images covering diverse meteorological conditions. Experiments demonstrate that SDD-YOLO-n achieves a mAP@0.5 of 86.0% on DroneSOD-30K, surpassing the YOLOv5n baseline by 7.8 percentage points. Extensive inference analysis shows our model attains 226 FPS on an NVIDIA RTX 5090 and 35 FPS on an Intel Xeon CPU, demonstrating exceptional efficiency for future edge deployment.
• Abstract（参考訳）: 地上対空(G2A)の観点から小型無人航空機(UAV)を検出することは、非常に低いピクセル占有率、散在する空中背景、厳密なリアルタイム制約など、重大な課題を示す。 既存のYOLOベースの検出器は、主に汎用オブジェクト検出に最適化されており、しばしばサブピクセルターゲットの十分な機能解像度を欠いている。 本稿では,G2AアンチUAV監視に適した小型ターゲット検出フレームワークであるSDD-YOLOを提案する。 SDD-YOLOは、マイクロターゲットにとって重要な微細な空間的詳細を捉えるため、P2高解像度検出ヘッドを4倍のダウンサンプリングで動作させる。 さらに,直交推論のためのDFLフリーNMSフリーアーキテクチャ,ProgLoss と STAL による MuSGD ハイブリッドトレーニング戦略など,近年の YOLO26 からのアーキテクチャ進歩を取り入れた。 本研究では,気象条件の異なる約30,000の注釈付き画像からなる大規模G2AデータセットであるDroneSOD-30Kを構築した。 SDD-YOLO-nはDroneSOD-30Kで86.0%のmAP@0.5を達成し、YOLOv5nベースラインを7.8ポイント上回った。 拡張推論分析により、当社のモデルがNVIDIA RTX 5090上で226FPS、Intel Xeon CPU上で35FPSに達し、将来のエッジデプロイメントにおいて例外的な効率を示す。

関連論文リスト

• YOLO-DS: Fine-Grained Feature Decoupling via Dual-Statistic Synergy Operator for Object Detection [55.58092342624062]
  DSO(Dual-Statistic Synergy Operator)を中心に構築されたYOLO-DSを提案する。 YOLO-DSは、チャネル平均とピーク平均差を共同でモデル化することにより、オブジェクトの特徴を分離する。 MS-COCOベンチマークでは、YOLO-DSは5つのモデルスケールでYOLOv8を上回っている。
  論文  参考訳（メタデータ） (2026-01-26T05:50:32Z)
• SOD-YOLO: Enhancing YOLO-Based Detection of Small Objects in UAV Imagery [5.639904484784127]
  実験結果から,SOD-YOLOは検出性能を著しく向上することが示された。 SOD-YOLOは、UAV画像における小さな物体検出のための実用的で効率的なソリューションである。
  論文  参考訳（メタデータ） (2025-07-17T02:04:54Z)
• NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
  我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。 グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。 我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
  論文  参考訳（メタデータ） (2025-06-23T14:28:30Z)
• MASF-YOLO: An Improved YOLOv11 Network for Small Object Detection on Drone View [0.0]
  マルチスケールコンテキストアグリゲーションとスケール適応型フュージョンYOLO(MASF-YOLO)を提案する。 UAV画像における小物体検出の難しさに対処するため,小型物体の検出精度を大幅に向上させるMFAM(Multi-scale Feature Aggregation Module)を設計した。 第3に,マルチスケール機能融合機能を強化したDASI(Dimension-Aware Selective Integration Module)を導入する。
  論文  参考訳（メタデータ） (2025-04-25T07:43:33Z)
• A lightweight model FDM-YOLO for small target improvement based on YOLOv8 [0.0]
  小さいターゲットは、低いピクセル数、複雑な背景、様々な射撃角度のために検出が困難である。 本稿では,小目標検出に焦点をあて,低計算制約下での物体検出手法について検討する。
  論文  参考訳（メタデータ） (2025-03-06T14:06:35Z)
• YOLO-Drone:Airborne real-time detection of dense small objects from high-altitude perspective [8.864582442699023]
  リアルタイム物体検出アルゴリズム(YOLO-Drone)を提案し,2つの新しいUAVプラットフォームと特定の光源に適用した。 YOLO-Droneは53 FPSで、最大mAPは34.04%である。 特に、YOLO-Droneはシリコンベースの金のLEDの下で高性能で、mAPは87.71%である。
  論文  参考訳（メタデータ） (2023-04-14T05:21:47Z)
• Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
  この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。 超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。 実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
  論文  参考訳（メタデータ） (2023-03-03T14:14:08Z)
• EdgeYOLO: An Edge-Real-Time Object Detector [69.41688769991482]
  本稿では, 最先端のYOLOフレームワークをベースとした, 効率的で低複雑さかつアンカーフリーな物体検出器を提案する。 我々は,訓練中の過剰適合を効果的に抑制する拡張データ拡張法を開発し,小型物体の検出精度を向上させるためにハイブリッドランダム損失関数を設計する。 私たちのベースラインモデルは、MS 2017データセットで50.6%のAP50:95と69.8%のAP50、VisDrone 2019-DETデータセットで26.4%のAP50と44.8%のAP50に達し、エッジコンピューティングデバイスNvidia上でリアルタイム要求(FPS>=30)を満たす。
  論文  参考訳（メタデータ） (2023-02-15T06:05:14Z)
• A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
  小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
  論文  参考訳（メタデータ） (2022-04-05T16:29:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。