LSCNet: A Lightweight Shallow Feature Cascade Network for Small Object Detection in UAV Imagery
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle