Diante dos problemas presentes na inspeção de tráfego por drones, como fundo complexo das imagens aéreas, alta densidade de alvos e distribuição desigual das escalas dos objetivos, propõe-se um algoritmo de detecção de alvos de drones com múltiplas características cruzadas sob interação atencional entre camadas (Multi-feature Crossover under cross-layer Attentional Interaction, MCAI). Primeiro, foi projetado um módulo adaptativo de interação atencional entre camadas (Adaptive Cross-layer Attentional Interaction, ACAI) na parte principal da rede, permitindo ao modelo focar em regiões de características chave para efetuar uma filtragem eficaz das informações globais importantes, atenuando o impacto do fundo complexo. Em seguida, foi projetado um codificador baseado em atenção deformável (Deformable Encoder, DeEncoder), que expande o campo receptivo das camadas de características para compensar as características de alvos perdidas. Por fim, para identificar efetivamente pequenos alvos em diferentes escalas dentro da área, propôs-se um módulo de fusão cruzada multiescala (Multi-scale cross fusion module, MSCF), que combina transformada wavelet e representação de características para fundir informações espaciais rasas e informações semânticas profundas, capturando efetivamente características detalhadas de alvos em diferentes escalas. Resultados experimentais nos conjuntos de dados VisDrone2019-DET, BDD-100K e LZTraffic Video mostram que o MCAI melhorou o mAP0.5 em 3%, 2,2% e 4,5%, respectivamente, em comparação com o modelo RT-DETR, melhorando significativamente a precisão da detecção na inspeção por drones. Além disso, em cenários de chuva, o MCAI apresentou uma melhoria de 2,1% no mAP0.5 em relação ao modelo RT-DETR, demonstrando melhor robustez em condições climáticas extremas.

Inspeção de drones;Detecção de alvos;Interação atencional;Codificador;Transformação wavelet