LSCNet: A Lightweight Shallow Feature Cascade Network for Small Object Detection in UAV Imagery
Notice bibliographique
Résumé
Unmanned Aerial Vehicles have become essential mobile sensing nodes in Internet of Things ecosystems, with applications ranging from disaster monitoring to traffic surveillance. However, wireless bandwidth is severely strained when sending enormous amounts of high-resolution aerial video to ground stations. To address these communication limitations, the current research paradigm is shifting toward UAV-assisted edge computing, where visual data is processed locally to extract semantic information for transmitting results to the ground or making autonomous decisions. Although deep detection is the dominant trend in general object detection, the heavy computational burden of these deep detection methods struggles to meet the stringent efficiency requirements of airborne edge platforms. Consequently, although recently proposed single-stage models like YOLOv10 can quickly detect objects in natural images, their over-dependence on deep features for computation results in wasted computational resources, as shallow information is crucial for small object detection in aerial scenes. In this paper, we propose LSCNet (Lightweight Shallow Feature Cascade Network), a novel lightweight architecture designed for UAV edge computing to handle aerial object detection tasks. Our lightweight Cascade Network focuses on feature extraction and shallow feature enhancement. LSCNet achieves 44.6% mAP50 on VisDrone2019 and 36.1% mAP50 on UAVDT, while decreasing parameters by 33% to 1.48 M. These results not only show how effective LSCNet is for real-time object detection but also provide a foundation for future developments in semantic communication within aerial networks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».