基于无人机视觉的目标检测具有巨大的商业潜力和广泛的应用领域。与地面检测相比，无人机检测在空中无遮挡，具有更广的视野，能监测的范围更大，而且无人机使用成本低、环境适应能力强，适用于交通路口监测、大型集会巡查、故障检测、复杂地形的受灾地区信息搜集等方面。今天小编带领大家一起去了解一下！

1、 数据集少。基于深度学习的无人机目标检测需要大量的数据来训练网络，无人机数据集以俯视视角为主，而大多数数据集以平视视角为主，不适合进行无人机的训练任务。

2、 无人机在拍摄视角上存在一定的局限性。无人机通常以俯视的视角进行监视拍摄，特征提取角度过于单一。而且无人机离地面距离较远，待检测目标相对来说呈现出小目标的特点，小目标往往像素比较少，特征单一，在检测的时候容易出现漏检或者误检的情况。这就给无人机检测增加了一定的难度。

3、 背景复杂，存在着目标遮挡，光线不足、相似形状物体干扰等因素。

以上的这些因素都给无人机检测带来巨大的挑战，传统的目标检测算法很难提取到足够好的特征来进行检测，而基于深度学习的无人机检测使得检测的准确率和适用范围获得了大幅度的改善。

目标检测算法分为传统的目标检测和基于深度学习的目标检测，基于深度学习的目标检测算法又分为one-stage和two-stage算法。two-stage即基于区域建议，将目标检测任务分成两步走，首先对图片提取特征并提取出可能存在目标的区域，然后再从提取出来的区域，进行内容的分类和目标边框的回归。One-stage省略了区域建议网络，直接由特征图预测目标类别的分类和位置框的回归。在相同能力计算下，虽然one-stage的检测精度比two-stage低，但是one-stage的检测速度更快，这两种算法皆有利弊。

目标检测算法常见的改进算法有：使用加权损失函数作为优化对象、进行多尺度训练、利用迁移学习对模型进行迁移等。

在Two-stage算法中，以R-CNN为代表， R-CNN是首个应用在目标检测的模型算法，Faster R-CNN是R-CNN的升级版，Faster R-CNN算法能在一定程度上适应不同场景、不同尺度、不同外观等复杂情况，但是在复杂背景干扰、小尺度目标检测下会出现漏检或者虚警的情况。针对于小目标的问题，来自于沈阳理工大学的《基于深度学习的无人机地面小目标算法研究》中结合FPN的思想，以FPN与Faster R-CNN模型相结合的方式，即以FFRCNN模型为原型，重新定义anchor的基础大小，改善模型准确度，提升模型对过小目标的关注度，采用多尺度融合的方式，提升目标感受野，增强了模型的鲁棒性。最后通过与原模型对比实验发现，FPN与Faster R-CNN模型相结合的方式对于车辆密集停靠的情况下漏检率大大降低࿰