动态亮度重建的无人机可见光-红外融合目标检测

doi:10.7527/S1000-6893.2025.31968

干扰环境下无人机多源感知专栏

本期目录 | 过刊浏览 | 高级检索

前一篇 |

动态亮度重建的无人机可见光-红外融合目标检测

刘奎¹^,², 孙浩¹^,², 伍瀚¹^,², 计科峰¹^,²(), 匡纲要¹^,²

^1.国防科技大学电子科学学院，长沙 410073
^2.国防科技大学电子信息系统复杂电磁环境效应国家重点实验室，长沙 410073

收稿日期:2025-03-12 修回日期:2025-03-29 接受日期:2025-05-28 出版日期:2025-06-10 发布日期:2025-06-06
通讯作者: 计科峰 E-mail:jikefeng@nudt.edu.cn
基金资助:
国家自然科学基金(61971426)

Dynamic brightness reconstruction for UAV visible-infrared fusion object detection

Kui LIU¹^,², Hao SUN¹^,², Han WU¹^,², Kefeng JI¹^,²(), Gangyao KUANG¹^,²

^1.College of Electronic Science and Technology，National University of Defense Technology，Changsha 410073，China
^2.State Key Laboratory of Complex Electromagnetic Environment Effects on Electronics and Information System，National University of Defense Technology，Changsha 410073，China

Received:2025-03-12 Revised:2025-03-29 Accepted:2025-05-28 Online:2025-06-10 Published:2025-06-06
Contact: Kefeng JI E-mail:jikefeng@nudt.edu.cn
Supported by:
National Natural Science Foundation of China(61971426)

摘要/Abstract

摘要：

无人机可见光-红外融合目标检测在灾害救援、安防监控和战场侦察等军民用领域具有重要的应用价值。然而在低照度条件下，现有融合策略存在诸多不足，不仅忽略了同一场景内不同区域光照不均衡的问题，还过度依赖红外模态，导致低照度条件下的可见光图像潜在丰富的语义信息未被充分挖掘，此外低照度进一步加剧了跨模态融合的困难。针对以上问题，提出了一种动态亮度重建的无人机可见光-红外融合目标检测方法。首先，利用局部照明信息先验，设计了一个超像素动态照明感知掩膜（Super-Pixel Dynamic Illumination-Aware Mask， SDIM）模块，通过模拟真实场景对不同模态的依赖并引入超像素信息，解决了现有方法存在的物体边缘特征丢失问题。其次，针对低照度可见光图像特征退化问题，设计了低照度图像增强（Low Illumination Image Enhance， LIIE）模块，实现了面向检测任务的端到端优化的可见光图像关键语义自适应增强。最后，针对跨模态特征异构性引发的融合冲突，设计了多尺度特征交叉注意融合（Multi-Scale Feature Cross-Attention Fusion， MFCF）模块，通过层级化交叉注意力机制构建双模态特征交互空间，结合动态权重分配策略，实现了多尺度特征自适应融合。基于典型的可见光-红外融合目标检测数据集DroneVehicle和VEDAI的实验结果，验证了所提方法在低照度条件下可见光-红外融合目标检测任务中的有效性及鲁棒性，具体与现有先进的融合检测算法相比，其保持较低的参数量的同时平均精度（mAP）分别提升了2.3%和2.2%，并且相较于被广泛使用的单模态YOLOv8算法，mAP最高提升了12.9%。此外，基于LIS真实低光数据集的跨场景实验结果，进一步验证了所提方法良好的泛化性。

关键词: 低照度, 无人机, 可见光-红外, 深度学习, 目标检测

Abstract:

The visible-infrared fusion object detection of Unmanned Aerial Vehicles （UAV） has important application value in military and civilian fields such as disaster rescue， security monitoring， and battlefield reconnaissance. However， under low illumination conditions， existing fusion strategies have several limitations， including ignoring uneven lighting in different areas of the same scene and over -reliance on infrared modalities， which results in the potential rich semantic information of visible images in low illumination conditions. In addition， low light further exacerbates the difficulty of cross modal fusion. To address the above problems， a dynamic brightness reconstruction for UAV visible-infrared fusion object detection method is proposed. Firstly， a Super pixel Dynamic Illumination aware Mask （SDIM） module was designed using prior local illumination information. By simulating the dependence of real scenes on different modalities and introducing superpixel information， the problem of object edge feature loss in existing methods was solved. Secondly， considering the problem of feature degradation in low light visible images， a Low Illumination Image Enhancement （LIIE） module was designed to achieve end-to-end optimization of visible image key semantic adaptive enhancement for detection tasks. Finally， a Multi-Scale Feature Cross-Attention Fusion （MFCF） module was designed to address the fusion conflicts caused by cross modal feature heterogeneity. The module constructs a bimodal feature interaction space through a hierarchical cross attention mechanism and adaptively fuses multi-scale features using a dynamic weight allocation strategy. Based on the typical visible-infrared fusion object detection datasets DroneVehicle and VEDAI， the experimental results verified the effectiveness and robustness of the proposed method in visible-infrared fusion target detection tasks under low illumination conditions. Specifically， compared with existing advanced fusion detection algorithms， the proposed method improved the average accuracy （mAP） by 2.3% and 2.2% respectively while maintaining a low number of parameters， and compared with the widely used single-mode YOLOv8 algorithm， the mAP has increased by up to 12.9%. In addition， cross scene experimental results based on the LIS real low illumination dataset further validated the excellent generalization capability of the proposed method.

Key words: low illumination, UAV, visible-infrared, deep learning, object detection

中图分类号:

V279

刘奎, 孙浩, 伍瀚, 计科峰, 匡纲要. 动态亮度重建的无人机可见光-红外融合目标检测[J]. 航空学报, 2025, 46(23): 631968.

Kui LIU, Hao SUN, Han WU, Kefeng JI, Gangyao KUANG. Dynamic brightness reconstruction for UAV visible-infrared fusion object detection[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(23): 631968.

图/表 14

图 1

图 2

图 3

图 4

图 5

表1

表2

表 3

图 6

图 7

表4

表 5

表6

图 8

参考文献 51

[1]	SUN Y M， CAO B， ZHU P F， et al. Drone-based RGB-infrared cross-modality vehicle detection via uncertainty-aware learning［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2022， 32（10）： 6700-6713.
[2]	ZHU Y H， SUN X Y， WANG M， et al. Multi-modal feature pyramid transformer for RGB-infrared object detection［J］. IEEE Transactions on Intelligent Transportation Systems， 2023， 24（9）： 9984-9995.
[3]	吴一全，童康. 基于深度学习的无人机航拍图像小目标检测研究进展［J］. 航空学报， 2025， 46（3）： 181-207.
	WU Y Q， TONG K. Research advances on deep learning-based small object detection in UAV aerial images［J］. Acta Aeronautica et Astronautica Sinica， 2025， 46（3）： 181-207 （in Chinese）.
[4]	SHANG X P， LI N N， LI D J， et al. CCLDet： A cross-modality and cross-domain low-light detector［J］. IEEE Transactions on Intelligent Transportation Systems， 2025， 26（3）： 3284-3294.
[5]	LI C Y， SONG D， TONG R F， et al. Illumination-aware faster R-CNN for robust multispectral pedestrian detection［J］. Pattern Recognition， 2019， 85： 161-171.
[6]	LIU X Y， QI J H， CHEN C， et al. Relation-aware weight sharing in decoupling feature learning network for UAV RGB-infrared vehicle re-identification［J］. IEEE Transactions on Multimedia， 2024， 26： 9839-9853.
[7]	WANG J P， XU C A， ZHAO C H， et al. Multimodal object detection of UAV remote sensing based on joint representation optimization and specific information enhancement［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2024， 17： 12364-12373.
[8]	YUAN M X， SHI X R， WANG N， et al. Improving RGB-infrared object detection with cascade alignment-guided transformer［J］. Information Fusion， 2024， 105： 102246.
[9]	GUAN D Y， CAO Y P， YANG J X， et al. Fusion of multispectral data through illumination-aware deep neural networks for pedestrian detection［J］. Information Fusion， 2019， 50： 148-157.
[10]	WANG Q W， CHI Y K， SHEN T， et al. Improving RGB-infrared object detection by reducing cross-modality redundancy［J］. Remote Sensing， 2022， 14（9）： 2020.
[11]	SUN X， YU Y H， CHENG Q. Low-rank multimodal remote sensing object detection with frequency filtering experts［J］. IEEE Transactions on Geoscience and Remote Sensing， 2024， 62： 5637114.
[12]	ZHAO D W， SHAO F M， ZHANG S， et al. Advanced object detection in low-light conditions： Enhancements to YOLOv7 framework［J］. Remote Sensing， 2024， 16（23）： 4493.
[13]	HUI Y M， WANG J， LI B. WSA-YOLO： Weak-supervised and adaptive object detection in the low-light environment for YOLOV7［J］. IEEE Transactions on Instrumentation and Measurement， 2024， 73： 2507012.
[14]	MORAWSKI I， CHEN Y， LIN Y S， et al. GenISP： Neural ISP for low-light machine cognition［C］∥2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops （CVPRW）. Piscataway： IEEE Press， 2022.
[15]	ELGUEBALY T， BOUGUILA N. Finite asymmetric generalized Gaussian mixture models learning for infrared object detection［J］. Computer Vision and Image Understanding， 2013， 117（12）： 1659-1671.
[16]	江泽涛，翟丰硕，钱艺，等. 结合特征增强和多尺度感受野的低照度目标检测［J］. 计算机研究与发展， 2023， 60（4）： 903-915.
	JIANG Z T， ZHAI F S， QIAN Y， et al. Low illumination object detection combined with feature enhancement and MultiScale receptive field［J］. Journal of Computer Research and Development， 2023， 60（4）： 903-915 （in Chinese）.
[17]	JIA X Y， ZHU C， LI M Z， et al. LLVIP： A visible-infrared paired dataset for low-light vision［C］∥2021 IEEE/CVF International Conference on Computer Vision Workshops （ICCVW）. Piscataway： IEEE Press， 2021： 3489-3497.
[18]	LOH Y P， CHAN C S. Getting to know low-light images with the Exclusively Dark dataset［J］. Computer Vision and Image Understanding， 2019， 178： 30-42.
[19]	PENG D X， DING W， ZHEN T. A novel low light object detection method based on the YOLOv5 fusion feature enhancement［J］. Scientific Reports， 2024， 14： 4486.
[20]	LIU S W， HE H， ZHANG Z C， et al. LI-YOLO： An object detection algorithm for UAV aerial images in low-illumination scenes［J］. Drones， 2024， 8（11）： 653.
[21]	江泽涛，肖芸，张少钦，等. 基于Dark-YOLO的低照度目标检测方法［J］. 计算机辅助设计与图形学学报， 2023， 35（3）： 441-451.
	JIANG Z T， XIAO Y， ZHANG S Q， et al. Low-illumination object detection method based on dark-YOLO［J］. Journal of Computer-Aided Design & Computer Graphics， 2023， 35（3）： 441-451 （in Chinese）.
[22]	DU Z P， SHIT M， DENG J K. Boosting object detection with zero-shot day-night domain adaptation［C］∥2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2024： 12666-12676.
[23]	WANG W J， WANG X H， YANG W H， et al. Unsupervised face detection in the dark［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2023， 45（1）： 1250-1266.
[24]	SASAGAWA Y， NAGAHARA H. YOLO in the dark-domain adaptation method for merging multiple models［C］∥Computer Vision-ECCV 2020. Cham： Springer International Publishing， 2020： 345-359.
[25]	GUO C L， LI C Y， GUO J C， et al. Zero-reference deep curve estimation for low-light image enhancement［C］∥2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2020.
[26]	ZHANG L， LIU Z Y， ZHU X Y， et al. Weakly aligned feature fusion for multimodal object detection［J］. IEEE Transactions on Neural Networks and Learning Systems， 2025， 36（3）： 4145-4159.
[27]	LIU Y， JIANG W S. Frequency mining and complementary fusion network for RGB-infrared object detection［J］. IEEE Geoscience and Remote Sensing Letters， 2024， 21： 5004605.
[28]	RAZAKARIVONY S， JURIE F. Vehicle detection in aerial imagery： A small target detection benchmark［J］. Journal of Visual Communication and Image Representation， 2016， 34： 187-203.
[29]	ZHANG J Q， LEI J， XIE W Y， et al. SuperYOLO： Super resolution assisted object detection in multimodal remote sensing imagery［J］. IEEE Transactions on Geoscience and Remote Sensing， 2023， 61： 5605415.
[30]	JIN S P， YU B B， JING M H， et al. DarkVisionNet： Low-light imaging via RGB-NIR fusion with deep inconsistency prior［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2022， 36（1）： 1104-1112.
[31]	SHARMA M， DHANARAJ M， KARNAM S， et al. YOLOrs： Object detection in multimodal remote sensing imagery［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2020， 14： 1497-1508.
[32]	CHEN J， DING J F， MA J Y. HitFusion： Infrared and visible image fusion for high-level vision tasks using transformer［J］. IEEE Transactions on Multimedia， 2024， 26： 10145-10159.
[33]	李峻宇，刘乾坤，付莹. 融合注意力机制的红外小目标检测［J］. 航空学报， 2024， 45（14）： 628959.
	LI J Y， LIU Q K， FU Y. Infrared small object detection based on attention mechanism［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（14）： 628959 （in Chinese）.
[34]	ACHANTA R， SHAJI A， SMITH K， et al. SLIC superpixels compared to state-of-the-art superpixel methods［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2012， 34（11）： 2274-2282.
[35]	HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］∥2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2016.
[36]	CHEN L W， GU L， LI L， et al. Frequency dynamic convolution for dense image prediction［C］∥2025 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2025.
[37]	CHEN L W， FU Y， WEI K X， et al. Instance segmentation in the dark［J］. International Journal of Computer Vision， 2023， 131（8）： 2198-2218.
[38]	HAN J M， DING J， LI J， et al. Align deep features for oriented object detection［J］. IEEE Transactions on Geoscience and Remote Sensing， 2021， 60： 5602511.
[39]	YANG Z， LIU S H， HU H， et al. RepPoints： Point set representation for object detection［C］∥2019 IEEE/CVF International Conference on Computer Vision （ICCV）. Piscataway： IEEE Press， 2019： 9656-9665.
[40]	YANG X， YAN J C， FENG Z M， et al. R3Det： Refined single-stage detector with feature refinement for rotating object［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2021， 35（4）： 3163-3171.
[41]	REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN： Towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（6）： 1137-1149.
[42]	XIE X X， CHENG G， WANG J B， et al. Oriented R-CNN for object detection［C］∥2021 IEEE/CVF International Conference on Computer Vision （ICCV）. Piscataway： IEEE Press， 2021： 3500-3509.
[43]	JOCHER G， QIU J， CHAURASIA A. Ultralytics YOLO［EB/OL］. （2023-01）［2025-02-28］. .
[44]	ZHANG H， LI F， LIU S L， et al. DINO： DETR with improved denoising anchor boxes for end-to-end object detection［DB/OL］. arXiv：， 2022.
[45]	TIAN Z， SHEN C H， CHEN H， et al. FCOS： Fully convolutional one-stage object detection［C］∥2019 IEEE/CVF International Conference on Computer Vision （ICCV）. Piscataway： IEEE Press， 2019： 9626-9635.
[46]	CHEN L W， FU Y， GU L， et al. Frequency-aware feature fusion for dense image prediction［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2024， 46（12）： 10763-10780.
[47]	CHEN L W， GU L， ZHENG D Z， et al. Frequency-adaptive dilated convolution for semantic segmentation［C］∥2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2024： 3414-3425.
[48]	SHEN J F， CHEN Y F， LIU Y， et al. ICAFusion： Iterative cross-attention guided feature fusion for multispectral object detection［J］. Pattern Recognition， 2024， 145： 109913.
[49]	ZHOU K L， CHEN L S， CAO X. Improving multispectral pedestrian detection by addressing modality imbalance problems［C］∥Computer Vision-ECCV 2020. Cham： Springer， 2020： 787-803.
[50]	ZHANG J Q， CAO M X， XIE W Y， et al. E2E-MFD： Towards end-to-end synchronous multimodal fusion detection［C］∥NIPS’24： Proceedings of the 38th International Conference on Neural Information Processing Systems. Curran Associates Inc.， 2024： 52296-52322.
[51]	YUAN M X， WEI X X. C²Former： Calibrated and complementary transformer for RGB-infrared object detection［J］. IEEE Transactions on Geoscience and Remote Sensing， 2024， 62： 5403712.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

方法	汽车	面包车	公交车	货车	卡车	mAP50	Params.（M）	GFLOPs	模态
S²A-Net	0.866	0.425	0.757	0.260	0.207	0.503	36.2	197.6	RGB
RepPoints	0.876	0.390	0.622	0.244	0.222	0.471	36.6	194.3
R³Det	0.801	0.318	0.718	0.220	0.174	0.446	41.7	330.7
Faster R-CNN	0.892	0.647	0.874	0.475	0.438	0.665	41.1	198.4
Oriented R-CNN	0.893	0.673	0.890	0.493	0.437	0.677	41.1	198.5
YOLOv8	0.967	0.720	0.943	0.557	0.535	0.744	3.1	8.4
S²A-Net	0.896	0.365	0.779	0.155	0.242	0.488	36.2	197.6	IR
RepPoints	0.894	0.406	0.609	0.270	0.285	0.493	36.6	194.3
R³Det	0.892	0.346	0.776	0.231	0.297	0.508	41.7	330.7
Faster R-CNN	0.902	0.638	0.884	0.446	0.488	0.672	41.1	198.4
Oriented R-CNN	0.903	0.704	0.892	0.464	0.546	0.702	41.1	198.5
YOLOv8	0.983	0.769	0.949	0.565	0.644	0.782	3.1	8.4
UA-CMDet	0.875	0.871	0.607	0.380	0.468	0.640	138.7		RGB+IR
ICAFusion	0.816	0.857	0.560	0.318	0.333	0.577	120.2	180.0
MBNet	0.901	0.536	0.888	0.624	0.644	0.719
LF-MDet	0.822	0.866	0.736	0.570	0.596	0.718	38.7	77.7
E2E-MFD	0.903	0.898	0.646	0.631	0.793	0.774	31.3	105.5
本文算法	0.985	0.583	0.962	0.650	0.804	0.797	30.2	143.6

方法	汽车	卡车	船	拖拉机	露营车	面包车	皮卡车	其他	mAP50	Params.（M）	GFLOPs	模态
R3Det	0.658	0.233	0.251	0.150	0.454	0.343	0.524	0.202	0.352	41.7	330.7	RGB
Faster R-CNN	0.869	0.705	0.710	0.668	0.832	0.738	0.823	0.537	0.735	41.1	198.4
DINO	0.556	0.437	0.409	0.483	0.577	0.594	0.530	0.281	0.738	47.6	284.0
YOLOv8	0.846	0.715	0.532	0.675	0.746	0.630	0.753	0.496	0.675	3.1	8.4
R3Det	0.670	0.182	0.270	0.252	0.467	0.219	0.599	0.345	0.375	41.7	330.7	IR
Faster R-CNN	0.859	0.819	0.784	0.500	0.789	0.746	0.836	0.364	0.712	41.1	198.4
DINO	0.509	0.427	0.384	0.399	0.563	0.518	0.551	0.283	0.688	47.6	284.0
YOLOv8	0.857	0.769	0.419	0.519	0.770	0.740	0.762	0.367	0.650	3.1	8.4
SuperYOLO	0.911	0.702	0.602	0.804	0793	0.765	0.857	0.573	0.751	4.8	18.0	RGB+IR
ICAFusion	0.837	0.486	0.459	0.713	0.699	0.670	0.776	0.457	0.637	120.2	311.5
C2Former	0.872	0.774	0.714	0.729	0.827	0.752	0.807	0.584	0.757	101.0	430.5
本文算法	0.919	0.821	0.713	0.798	0.764	0.849	0.845	0.523	0.779	30.2	143.6

方法	自行车	汽车	电动车	公交车	水瓶	椅子	显示器	餐桌	mAP50	Params.（M）	GFLOPs	模态
FCOS	0.431	0.822	0.421	0.567	0.477	0.389	0.179	0.330	0.450	32.1	191.5	RGB
FreqFusion	0.586	0.528	0.527	0.571	0.757	0.864	0.394	0.581	0.601	46.9	103.3
FADC	0.588	0.520	0.495	0.536	0.725	0.866	0.357	0.563	0.581	41.4	201.7
Faster R-CNN	0.547	0.861	0.552	0.703	0.498	0.507	0.325	0.500	0.561	41.2	201.7
YOLOv8	0.619	0.849	0.612	0.810	0.550	0.505	0.413	0.650	0.626	3.1	8.4
w/ LIIE	0.637	0.864	0.606	0.814	0.575	0.515	0.410	0.631	0.631	5.7	92.0

SDIM	LIIE	MFCF	mAP50
√			0.787
	√		0.788
		√	0.774
√	√		0.792
√	√	√	0.797

模块	迭代次数	mAP50
LIIE	2	0.614
	4	0.627
	8	0.631
	10	0.622
	16	0.612

动态亮度重建的无人机可见光-红外融合目标检测

Dynamic brightness reconstruction for UAV visible-infrared fusion object detection

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 51

相关文章 15

编辑推荐

Metrics

本文评价

编码层融合	解码层融合	编码-解码融合	mAP50
相加	相加	相加	0.792
相加	相加	交叉注意力	0.789
交叉注意力	交叉注意力	相加	0.797
交叉注意力	交叉注意力	交叉注意力	0.784

[1]	贺炅, 任斌武, 杜思亮, 徐尤松, 王博. 基于ADRC-RBF倾转四旋翼无人机姿态自适应控制[J]. 航空学报, 2025, 46(S1): 732189-732189.
[2]	周攀, 李霓, 黄江涛, 杨青林, 廉云霄. 非完备信息下无人机近距博弈自主决策[J]. 航空学报, 2025, 46(S1): 732215-732215.
[3]	虞翔宇, 李文, 严杰, 梁世哲. 无人机液氢燃料电池热管理系统仿真研究[J]. 航空学报, 2025, 46(9): 630964-630964.
[4]	杨芃芊, 陈禹彤, 刘俊辉, 杨杰豪, 单家元, 孙士珺. 串列翼货运无人机大攻角气动与操稳特性[J]. 航空学报, 2025, 46(9): 131056-131056.
[5]	李荣祖, 刘莉, 杨盾. 基于多源域融合代理模型的氢能无人机优化设计[J]. 航空学报, 2025, 46(9): 630979-630979.
[6]	徐建宇, 周莉, 王占学, 是介, 史毫. 基于快速逐线计算模型的高超声速羽流红外辐射计算方法[J]. 航空学报, 2025, 46(8): 630778-630778.
[7]	万开方, 吴志林, 武韫晖, 强皓植, 吴艺博, 李波. 拒止环境下基于深度强化学习的多无人机协同定位[J]. 航空学报, 2025, 46(8): 331024-331024.
[8]	姜凌峰, 李新凯, 张海, 李涵玮, 张宏立. 基于改进TD3算法的无人机动态环境无地图导航[J]. 航空学报, 2025, 46(8): 331035-331035.
[9]	孟令捷, 李红光, 李新军. 基于地貌类别信息指导的SAR图像仿真方法[J]. 航空学报, 2025, 46(7): 331003-331003.
[10]	向锦武, 马凯, 阚梓, 李道春, 郑可欣, 陈汉轩. 氢能源无人机关键技术研究进展[J]. 航空学报, 2025, 46(5): 531603-531603.
[11]	丁奇帅, 雷帮军, 吴正平. 基于孪生网络的轻量型无人机单目标跟踪算法[J]. 航空学报, 2025, 46(4): 330925-330925.
[12]	赵志浩, 杨照华, 吴云, 余远金. 弱光环境下基于深度学习的单光子计数成像去噪方法[J]. 航空学报, 2025, 46(3): 630531-630531.
[13]	吴付杰, 王博文, 齐静雅, 曹铭智, 桑英俊, 李晟, 张玉珍, 陈钱, 左超. 机载多孔径全景图像合成技术研究进展[J]. 航空学报, 2025, 46(3): 630505-630505.
[14]	马诺, 卫社春, 孟军辉, 刘清洋, 雷宇声. 考虑减速伞作用的无人机内埋舱体分离流场特性与动力学[J]. 航空学报, 2025, 46(3): 130755-130755.
[15]	吴一全, 童康. 基于深度学习的无人机航拍图像小目标检测研究进展[J]. 航空学报, 2025, 46(3): 30848-030848.