来源：期刊VIP网 时间：
作者：邓鹏;唐文涛;罗静;
单位：荆楚理工学院新能源学院;荆楚理工学院智能制造与先进技术应用研究所;
摘要：针对复杂环境下多样化无人机类型的入侵检测中存在精度低、误报和漏报率高等问题，提出一种基于改进YOLOv8n的无人机入侵检测方法。在YOLOv8的基础上进行了4个方面的改进。在YOLOv8n的主干网络中引入了感受野注意力卷积，解决了标准卷积操作中参数共享的问题，并考虑了每个特征的重要性，从而提升了网络的整体性能；将C2F模块替换为FasterBlock模块，通过高效计算和减少内存访问提升神经网络的推理速度，同时保持较高的精度；引入MSDA模块对不同尺度的特征进行多重处理，确保模型能够在处理小目标和大目标时都有效捕捉到关键特征；采用渐进特征金字塔网络，通过逐层融合不同层次的特征，减少语义差距，提高特征融合的有效性和检测性能。在USC-Drone数据集和Real World数据集进行测试，相比于原始的YOLOv8n，改进模型的mAP@0.5分别提高了6.4%和3.5%。
关键词：无人机入侵检测;;YOLOv8n;;复杂环境;;深度学习;;AFPN
基金资助：湖北省高等学校优秀中青年科技创新团队基金（T2021028）;; 荆门市科技计划基金资助项目（2023YFYB040）
