EGD-YOLO: A Lightweight Multimodal Framework for Robust Drone-Bird Discrimination via Ghost-Enhanced YOLOv8n and EMA Attention under Adverse Condition

📄 arXiv: 2510.10765v1 📥 PDF

作者: Sudipto Sarkar, Mohammad Asif Hasan, Khondokar Ashik Shahriar, Fablia Labiba, Nahian Tasnim, Sheikh Anawarul Haq Fattah

分类: cs.CV

发布日期: 2025-10-12

💡 一句话要点

提出EGD-YOLOv8n，一种轻量级多模态框架，用于恶劣环境下无人机-鸟类稳健区分。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 无人机检测 鸟类识别 目标检测 多模态融合 轻量级模型

📋 核心要点

  1. 现有方法在恶劣环境下无人机和鸟类的区分精度不足，且计算量大，难以实时部署。
  2. EGD-YOLOv8n通过Ghost模块增强特征提取，EMA注意力机制关注关键细节，并结合多模态信息提升鲁棒性。
  3. 实验表明，EGD-YOLOv8n在VIP CUP 2025数据集上取得了优异的检测精度和速度，适合实时应用。

📝 摘要（中文）

本研究针对天空安全和安防系统改进中无人机和鸟类的正确识别问题，提出了EGD-YOLOv8n，一种轻量级但功能强大的目标检测模型。该模型利用VIP CUP 2025数据集，该数据集提供RGB和红外(IR)图像，从而改进了图像特征的捕获和理解，提高了检测的准确性和效率。通过巧妙的设计变更和注意力层，模型能够专注于重要细节，同时减少所需的计算量。一个特殊的检测头帮助模型适应不同形状和大小的目标。我们训练了三个版本：一个使用RGB图像，一个使用IR图像，一个结合使用两者。组合模型在常见GPU上实现了最佳的准确性和可靠性，同时运行速度足够快，可以进行实时使用。

🔬 方法详解

问题定义：论文旨在解决在复杂背景和恶劣光照条件下，准确区分无人机和鸟类这一目标检测问题。现有方法通常依赖于单一模态信息，在光照变化、遮挡等情况下表现不佳，且模型复杂度高，难以在资源受限的设备上实时部署。

核心思路：论文的核心思路是设计一个轻量级、多模态的目标检测框架，利用RGB和红外图像的互补信息，增强模型对不同环境的适应性。通过引入Ghost模块减少模型参数量，同时使用EMA注意力机制关注重要特征，提高检测精度。

技术框架：EGD-YOLOv8n基于YOLOv8n架构，主要包括以下模块：1) 输入层：接收RGB和红外图像；2) Ghost模块：用于特征提取，减少计算量；3) EMA注意力机制：增强对关键特征的关注；4) 检测头：用于目标检测和定位。整体流程是先分别提取RGB和红外图像的特征，然后将特征融合，最后通过检测头进行目标检测。

关键创新：论文的关键创新在于以下几点：1) 提出了一种轻量级的Ghost-Enhanced YOLOv8n模型，降低了计算复杂度；2) 引入了EMA注意力机制，提高了模型对关键特征的关注度；3) 采用了多模态融合策略，利用RGB和红外图像的互补信息，增强了模型的鲁棒性。与现有方法相比，EGD-YOLOv8n在保证检测精度的同时，显著降低了模型参数量和计算量。

关键设计：论文的关键设计包括：1) Ghost模块的具体结构和参数设置，用于减少模型参数量；2) EMA注意力机制的实现细节，包括注意力权重的计算方式；3) 多模态融合的具体方法，例如特征拼接或注意力加权；4) 损失函数的选择和优化策略，用于提高检测精度。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

EGD-YOLOv8n在VIP CUP 2025数据集上取得了显著的性能提升。多模态融合版本在保证实时性的前提下，实现了更高的检测精度和鲁棒性。相较于基线模型，EGD-YOLOv8n在恶劣光照条件下的检测性能提升尤为明显，证明了其在复杂环境下的优越性。

🎯 应用场景

该研究成果可应用于无人机交通管理、机场安全监控、野生动物保护等领域。通过实时准确地识别无人机和鸟类，可以有效避免无人机与鸟类相撞事故，提高空域安全性。此外，该技术还可用于智能安防系统，实现对非法无人机的自动检测和报警。

📄 摘要（原文）

Identifying drones and birds correctly is essential for keeping the skies safe and improving security systems. Using the VIP CUP 2025 dataset, which provides both RGB and infrared (IR) images, this study presents EGD-YOLOv8n, a new lightweight yet powerful model for object detection. The model improves how image features are captured and understood, making detection more accurate and efficient. It uses smart design changes and attention layers to focus on important details while reducing the amount of computation needed. A special detection head helps the model adapt to objects of different shapes and sizes. We trained three versions: one using RGB images, one using IR images, and one combining both. The combined model achieved the best accuracy and reliability while running fast enough for real-time use on common GPUs.