搞无人机视觉巡检的同学肯定都有个痛点论文和实战总是有区别理想和实际还是有差距。算法在电脑上跑得贼溜一部署到无人机上遇到光线变化或者复杂背景准度就直线下降更要命的是如果要上大模型实时跑推理无人机的电池根本扛不住飞不了多久就得返航。传统深度学习模型在复杂环境中的鲁棒性确实是个老大难问题。 近期翻到一篇发在《International Journal of Cognitive Computing in Engineering》上的SCI论文思路很有意思。作者没有死磕如何把网络做深而是把CNN卷积神经网络和群体智能算法ACO/PSO结合在了一起。 结果就是在这个动态农业害虫分类任务里模型分类准确率不仅达到了 91.2%处理速度保持在 32 FPS而且无人机的飞行时间缩短了 29.2%能耗降低了 32%。 它是怎么平衡算力与功耗的我们一起看看它的核心思路。01 用 ConvLSTM 抓动态特征我们平时处理图像分类习惯丢单张静态图进去。但在无人机视角下目标比如害虫是动态的背景也是动态退化的。论文提出了一套 SAO-CNN 架构核心亮点在于融合了自适应卷积层、自监督学习以及 ConvLSTM。自适应卷积层这里的卷积核大小和权重是可以动态调整的。遇到不同形态、甚至残缺的目标它能灵活应对。ConvLSTM 提取时空特征它没有把视频帧拆成孤立的图片而是利用 ConvLSTM 提取连续帧之间的时序信息直接捕捉目标的运动轨迹。自监督学习SSL补齐数据短板农业场景打标签太痛苦了。作者利用无标签数据生成伪标签这在很大程度上提升了模型在不同光照和背景下的泛化能力。02 让无人机“长脑子”ACO与PSO的协同作战识别准了还不够怎么让无人机飞得省电这就轮到群体智能算法出场了。以前无人机可能是按固定航线死板地飞而这篇文章引入了仿生集群优化框架让多架无人机互相“打配合”ACO蚁群算法管“怎么飞”模拟蚂蚁觅食留下信息素的机制用信息素引导无人机选择最优路径。实测数据显示加入 ACO 后飞行时间整整降低了 29.2%。PSO粒子群优化管“怎么分工”模拟鸟群觅食根据个体历史最优和全局最优位置动态调整每架飞机的任务分配。这两者结合不仅减少了无人机在空中的冗余飞行还把电量用在了刀刃上。部分实验结果如图所示。03 个人的一点延伸思考碎碎念看完这篇论文结合我平时码代码和调模型的实战经验也有两点不成熟的思考和大家探讨第一关于复杂航空场景下的时序建模代价。论文用 ConvLSTM 处理时序数据确实有效。但在实际处理复杂航空场景感知的多目标跟踪MOT任务时我们经常会被动态背景和目标尺度剧烈变化折磨。单纯依赖 ConvLSTM 这种网络有时候计算开销依然不小。第二群体智能算法的“选型”问题。作者用经典的 ACO 和 PSO 来调度无人机集群实现了 98% 的任务完成率效果确实不错。但我之前写过用灰狼优化算法GWO和麻雀搜索算法SSA去优化支持向量回归SVR的预测代码实战下来的感受是PSO 在处理特别复杂的高维非线性问题比如复杂地形下的多机协同避障时其实很容易陷入局部最优导致早熟收敛。如果在这个无人机集群框架里尝试替换成收敛更快的 GWO或者寻优机制更灵活的 SSA 算法会不会在能耗节省上还能再压榨出几个百分点这也是个值得跑一跑实验的坑。 我们做算法不能只低头看 mAP抬头看看功耗和硬件限制路子会更宽。如果说作者可以公开代码的话就更好了同时我们也可以去复现。
（支持资料、图片参考_相关定制）_文章底部可以扫码)
