结合改进ShuffleNet-V2和注意力机制的无人机图像自主分类预警框架

为实现灾难事件的无人机(Unmanned Aerial Vehicle, UAV)自主监测和预警，提出了结合逐通道注意力机制和高效卷积神经网络的新架构。考虑到嵌入式平台的资源限制条件，使用轻量级ShuffleNet-V2作为骨干网络，能够对更多信息进行高效编码并尽可能降低网络复杂度。为进一步提高灾难场景分类的准确度，在ShuffleNet-V2网络中结合了挤压-激发(Squeeze-Excitation, SE)模块以实现逐通道注意力机制，显著增强分类网络对重要特征的关注度。通过数据采集和增强技术获得包括12 876张图像的UAV航拍灾难事件数据集，对所提方法进行性能评估，并比较所提方法与其他先进模型的性能。结果表明，所提方法取得了99.01%的平均准确度，模型大小仅为5.6 MB,且在UAV机载平台上的处理速度超过10 FPS,能够满足UAV平台自主灾情监测任务的现实需求。