浏览全部资源
扫码关注微信
收稿：2026-03-25，
修回：2026-09-16，
录用：2026-10-08，
网络首发：2026-10-08，
移动端阅览
低空无人机的“黑飞”“乱飞”对公共安全构成严峻挑战，基于视觉与深度学习的检测跟踪技术因此成为研究焦点。本文系统综述了近5年该领域进展。首先概述无人机类型及其视觉探测特点，接着归纳检测跟踪任务面临的核心挑战。在检测方法部分，重点从改进小目标检测、轻量化网络设计、抗恶劣天气及多模态融合四个方向，梳理了深度学习技术的提升路径；在跟踪方法部分，则从鲁棒性增强、轻量化与实时性、长期跟踪与重识别、多目标跟踪四个维度总结了关键进展。此外，整理了常用数据集与评价指标，并评估了代表性方法性能。最后对未来研究方向进行了展望。
With the rapid and unprecedented expansion of the global low-altitude economy， unmanned aerial vehicles （UAVs）， commonly known as drones， have transitioned from niche technological tools into mainstream assets deeply embedded within the critical infrastructure of modern society. Their applications now span a remarkably diverse spectrum， including， but not limited to， precision logistics and last-mile delivery， emergency medical services and disaster response， automated inspection of energy grids， bridges， and wind turbines， agricultural monitoring and targeted spraying， as well as media production and aerial surveillance. This widespread integration delivers immense economic and social value by enhancing efficiency， reducing costs， and enabling access to previously unreachable areas. However， the very accessibility， affordability， and operational ease that fuel this adoption paradoxically introduce severe and escalating security vulnerabilities. Incidents involving unauthorized flights， negligent operations， and even the malicious use of drones for espionage， smuggling， or disruptive attacks pose tangible and growing threats to national security， public safety， the integrity of critical infrastructure such as airports and power plants， and individual privacy. Consequently， the development of robust， reliable， and efficient technologies for the detection， tracking， and identification of low-altitude UAVs has emerged as a pressing global research and operational imperative across defense， security， and regulatory domains. From a computer vision perspective， low-altitude UAVs present a uniquely challenging set of characteristics， aptly summarized as "Low， Slow， and Small" （LSS） targets. The "small" signature is particularly problematic： at typical operational ranges for ground-based surveillance， a drone may occupy only a minuscule number of pixels in a captured image or video frame. This results in an extremely weak signal， with limited texture and shape information， making it easily lost amidst background noise or suppressed during the down-sampling stages of deep convolutional neural networks. The "low" and "slow" attributes further compound the difficulty. These UAVs operate within complex， cluttered， and dynamic environments—such as urban canyons， near buildings， over forests， or against varied terrain—where they are susceptible to frequent partial or complete occlusion. Furthermore， they must be reliably distinguished from a wide range of visual confusers， most notably birds， but also kites， balloons， and moving vegetation. This leads to the dual challenges of minimal inter-class differences and significant intra-class variation among UAVs themselves， which appear in diverse forms such as multi-rotors， fixed-wing aircraft， and hybrid hybrid vertical take-off and landing systems. The operational environment imposes additional stringent constraints： vision systems must maintain performance under drastic illumination changes and adverse weather conditions， while also meeting the demanding requirement for real-time， low-latency processing， often on computationally constrained and power-limited edge devices such as drones， surveillance towers， or mobile units. This comprehensive survey paper systematically reviews， analyzes， and synthesizes the state of the art in vision-based and deep learning-powered methodologies for the automated detection and tracking of low-altitude UAVs. The review begins by contextualizing the problem space， defining the operational envelope of "low altitude" as a challenging regime for sensors， and categorizing the primary types of UAVs along with their distinct visual and kinematic signatures. It then crystallizes the core technical challenges that any effective solution must address： （1） the fundamental problem of small target detection； （2） the discrimination problem arising from low inter-class variance and high intra-class variance； （3） robustness against complex， dynamic background interference and environmental degradation； and （4） the imperative for computational efficiency and real-time performance on edge platforms. The core of the survey is logically divided into two interconnected pillars： detection and tracking. For the detection task， we first provide a concise overview of traditional image processing paradigms， including background subtraction techniques， frame differencing， optical flow for motion-based detection， and hand-crafted feature descriptors such as histogram of oriented gradients （HOG） for appearance-based classification. Recognizing their limitations in generalization and robustness， the focus then shifts to modern deep learning-based detectors. This analysis is organized around four pivotal and active research thrusts. First， architectural innovations for small target detection explore specialized network designs， including enhanced feature pyramid networks for multi-scale context aggregation， the integration of attention mechanisms to amplify critical features， and the design of novel loss functions tailored for small object localization. Second， lightweight and efficient model design investigates techniques for deployment on edge devices， such as neural architecture search for optimal efficiency–accuracy trade-offs， model pruning， quantization， knowledge distillation， and the use of efficient operators like depthwise separable convolutions. Third， enhancing robustness under adverse conditions examines methods beyond standard red-green-blue （RGB） imagery， including multi-spectral fusion， the use of polarization cues， and emerging sensor modalities such as event cameras that offer high dynamic range and improved motion clarity. Fourth， multi-modal sensor fusion strategies are discussed， which synergistically combine complementary data from visual cameras， radar， light detection and ranging （LiDAR）， and acoustic sensors to create a more resilient perception system. For the tracking task， following initial detection， the survey details the evolution from traditional correlation filter-based and kernelized methods to contemporary deep learning-driven trackers， which typically follow a Siamese network or transformer-based paradigm. Advancements are examined from four complementary perspectives： （1） improving robustness and accuracy， focusing on advanced motion modeling， robust feature representation learning against appearance changes， and effective scale estimation strategies； （2） enabling real-time performance on edge devices through model compression， efficient backbone architectures， and adaptive inference strategies； （3） mechanisms for long-term tracking and recovery， which are crucial for practical deployment， involving dedicated re-identification modules， global search strategies， and memory-augmented networks to handle occlusion and target disappearance； and （4） scaling to multi-UAV scenarios and swarms， which introduces challenges in data association， identity maintenance， and group behavior understanding. To ground the discussion and facilitate benchmarking， the survey provides a curated compilation of publicly available datasets specifically designed for UAV detection and tracking， categorized into visible-spectrum and infrared （IR） datasets， detailing their scale， attributes， and inherent challenges. It also explains the standard evaluation metrics prevalent in the field， such as average precision （AP）， mean average precision （mAP）， Success Rate， and Precision for tracking. A comparative analysis of representative state-of-the-art methods on key benchmarks is presented to provide a clear performance snapshot. Finally， the paper concludes by delineating several promising and critical future research directions. These frontiers include the development of more intelligent and adaptive multi-modal fusion frameworks that move beyond simple early or late fusion； the pursuit of generalizable and invariant feature learning through self-supervised learning， meta-learning， or domain adaptation techniques to handle novel drones and unseen environments； the design of environment-aware and actively adaptive algorithms capable of anticipating and compensating for perceptual degradation； the exploration of next-generation neuromorphic and efficient computing paradigms， such as spiking neural networks， for ultra-low-power deployment； and the deeper integration of novel sensing modalities， including event-based vision， to overcome the limitations of traditional frame-based imaging. This survey aims to serve as both a detailed technical reference and a strategic roadmap for researchers and engineers working to advance the field of intelligent， vision-based counter-UAV systems.
Ahmad I ， Narmeen R ， Mughal U A ， Yang L ， Almadhor A ， and Dhahbi S ， et al . 2025 . Quantum CNN for detection and identification of UAV-enabled non-terrestrial networks . IEEE Wireless Communications ， 32 （ 3 ）： 28 - 36 . ［ DOI： 10.1109/MWC.001.2400419 http://dx.doi.org/10.1109/MWC.001.2400419 ］
Amin J ， Anjum M A ， Ibrar K ， Sharif M ， Kadry S and Crespo RG . 2023 . Detection of anomaly in surveillance videos using quantum convolutional neural networks . Image and Vision Computing ， 135 ： 104710 . ［ DOI： 10.1016/j.imavis.2023.104710 http://dx.doi.org/10.1016/j.imavis.2023.104710 ］
Alfarano A ， Maiano L ， Papa L and Amerini I . 2024 . Estimating optical flow： A comprehensive review of the state of the art . Computer Vision and Image Understanding ， 249 ： 104160 . ［ DOI： 10.1016/j.cviu.2024.104160 http://dx.doi.org/10.1016/j.cviu.2024.104160 ］
Awan M S ， Zaidi S A A and Mir J . 2025 . UETT4K anti-UAV： A large scale 4K benchmark dataset for vision-based drone detection in high-resolution imagery . IEEE Access ， 13 ： 73553 - 73568 . ［ DOI： 10.1109/ACCESS.2025.3562890 http://dx.doi.org/10.1109/ACCESS.2025.3562890 ］
Briese C ， Seel A and Andert F . 2018 . Vision-based detection of non-cooperative UAVs using frame differencing and temporal filter // Proceedings of the 2018 International Conference on Unmanned Aircraft Systems . Dallas， USA ： IEEE： 606 - 613 . ［ DOI： 10.1109/ICUAS.2018.8453372 http://dx.doi.org/10.1109/ICUAS.2018.8453372 ］
Bo C ， Wei Y ， Wang X ， Shi Z and Xiao Y . 2024 . Vision-based anti-UAV detection based on YOLOv7-GS in complex backgrounds . Drones ， 8 （ 7 ）： 331 . ［ DOI： 10.3390/drones8070331 http://dx.doi.org/10.3390/drones8070331 ］
Bu D ， Ding B ， Tong X ， Sun B ， Sun X and Guo R ， et al . 2025 . FSTC-DiMP： Advanced feature processing and spatio-temporal consistency for anti-UAV tracking . Remote Sensing ， 17 （ 16 ）： 2902 . ［ DOI： 10.3390/rs17162902 http://dx.doi.org/10.3390/rs17162902 ］
Cao J L ， Li Y L ， Sun H Q ， Xie J ， Huang K Q and Pang Y W . 2022 . A survey on deep learning based visual object detection . Journal of Image and Graphics ， 27 （ 6 ）： 1697 - 1722 .
曹家乐 ， 李亚利 ， 孙汉卿 ， 谢今 ， 黄凯奇 ， 庞彦伟 . 2022 . 基于深度学习的视觉目标检测技术综述 . 中国图象图形学报 ， 27 （ 6 ）： 1697 - 1722 . ［ DOI： 10.11834/jig.220069 http://dx.doi.org/10.11834/jig.220069 ］
Chen W S ， Niu H C ， Wang X ， Wan J ， Lu X F and Zhang J ， et al . 2025 . A survey of multi-source detection technologies for birds and UAVs in airport clearance area . Acta Aeronautica et Astronautica Sinica ， 46 （ 10 ）： 233 - 259 .
陈唯实 ， 牛红闯 ， 王鑫 ， 万健 ， 卢贤锋 ， 张洁 ， 等 . 2025 . 机场净空区飞鸟与无人机多源探测技术综述. 航空学报 ， 2025 ， 46 （ 10 ）： 233 - 259 . ［ DOI： 10.7527/S1000-6893.2024.31251 http://dx.doi.org/10.7527/S1000-6893.2024.31251 ］
Cheng X ， Wang F ， Hu X ， Wu X and Nuo M . 2025 . IRWT-YOLO： A background subtraction-based method for anti-drone detection . Drones ， 9 （ 4 ）： 297 . ［ DOI： 10.3390/drones9040297 http://dx.doi.org/10.3390/drones9040297 ］
Cheng K ， Lei H T ， and Lyu Z X . 2025 . UAV tracking method based on improved YOLOv8 lightweight network . ［EB/OL］ Systems Engineering and Electronics ： 1 - 15 ［ 2026-03-24 ］.
程鲲 ， 雷洪涛 ， 吕志轩 . 2025 . 改进YOLOv8轻量级网络的无人机跟踪方法 . ［EB/OL］ 系统工程与电子技术 ： 1 - 15 ［ 2026-03-24 ］. ） https://link.cnki.net/urlid/11.2422.TN.20250521.1742.009 https://link.cnki.net/urlid/11.2422.TN.20250521.1742.009 .
Coluccia A ， Fascista A ， Schumann A ， Sommer L ， Dimou A and Zarpalas D ， et al . 2021 . Drone vs. bird detection： Deep learning algorithms and results from a grand challenge . Sensors ， 21 （ 8 ）： 2824 . ［ DOI ： 10.3390/s21082824 http://dx.doi.org/10.3390/s21082824 ］
Cheng Q ， Wang Y ， He W and Bai Y . 2024 . Lightweight air-to-air unmanned aerial vehicle target detection model . Scientific Reports ， 14 （ 1 ）： 2609 . ［ DOI： 10.1038/s41598-024-53181-2 http://dx.doi.org/10.1038/s41598-024-53181-2 ］
Dong Y ， Ma Y ， Li Y and Li Z . 2023 . High-precision real-time UAV target recognition based on improved YOLOv4 . Computer Communications ， 206 ： 124 - 132 . ［ DOI： 10.1016/j.comcom.2023.04.019 http://dx.doi.org/10.1016/j.comcom.2023.04.019 ］
Diamantidou E ， Lalas A ， Votis K and Tzovaras D . 2019 . Multimodal deep learning framework for enhanced accuracy of UAV detection // Proceedings of International Conference on Computer Vision Systems . Cham， Switzerland ： Springer International Publishing： 768 - 777 . ［ DOI： 10.1007/978-3-030-34995-0_70 http://dx.doi.org/10.1007/978-3-030-34995-0_70 ］
Dai Y ， Wu Y ， Zhou F and K Barnard . 2021 . Asymmetric contextual modulation for infrared small target detection // Proceedings of Winter Conference on Applications of Computer Vision . Hawaii， USA ： IEEE： 950 - 959 . ［ DOI： 10.1109/WACV48630.2021.00099 http://dx.doi.org/10.1109/WACV48630.2021.00099 ］
Elsayed M ， Reda M ， Mashaly A S and Amein AS . 2025 . LERFNet： An enlarged effective receptive field backbone network for enhancing visual drone detection . The Visual Computer ， 41 （ 4 ）： 2219 - 2232 . ［ DOI： 10.1007/s00371-024-03527-8 http://dx.doi.org/10.1007/s00371-024-03527-8 ］
Feng X ， Gong W W and Sun X E . 2025 . Small drone target detection based on dual-modal image fusion . Laser & Optoelectronics Progress ， 62 （ 22 ）： 325 - 333 .
冯潇 ， 龚维维 ， 孙祥娥 . 2025 . 基于双模态图像融合的无人机小目标检测 . 激光与光电子学进展 ， 2025， 62 （ 22 ）： 325 - 333 . ［ DOI： 10.3788/LOP250854 http://dx.doi.org/10.3788/LOP250854 ］
Fang H ， Ding L ， Wang L ， Chang Y ， Yan L and Han J . 2022 . Infrared small UAV target detection based on depthwise separable residual dense network and multiscale feature fusion . IEEE Transactions on Instrumentation and Measurement ， 71 ： 1 - 20 . ［ DOI： 10.1109/TIM.2022.3198490 http://dx.doi.org/10.1109/TIM.2022.3198490 ］
Fang H ， Ding L ， Wang X ， Chang Y ， Yan L and Liu L ， et al . 2024 . SCINet： Spatial and contrast interactive super-resolution assisted infrared UAV target detection . IEEE Transactions on Geoscience and Remote Sensing ， 62 ： 1 - 22 . ［ DOI： 10.1109/TGRS.2024.3471786 http://dx.doi.org/10.1109/TGRS.2024.3471786 ］
Fang H ， Liao Z ， Wang X ， Chang Y and Yan L . 2023 . Differentiated attention guided network over hierarchical and aggregated features for intelligent UAV surveillance . IEEE Transactions on Industrial Informatics ， 19 （ 9 ）： 9909 - 9920 . ［ DOI： 10.1109/TII.2022.3232777 http://dx.doi.org/10.1109/TII.2022.3232777 ］
Fu C ， Li B ， Ding F ， Lin F and Lu G . 2021 . Correlation filters for unmanned aerial vehicle-based aerial tracking： A review and experimental evaluation . IEEE Geoscience and Remote Sensing Magazine ， 10 （ 1 ）： 125 - 160 . ［ DOI： 10.1109/MGRS.2021.3072992 http://dx.doi.org/10.1109/MGRS.2021.3072992 ］
Feng Z ， Zhang W ， Pan E ， Liu D and Yu Q . 2025 . Enhancing the scale adaptation of global trackers for infrared UAV tracking . Drones ， 9 （ 7 ）： 469 . ［ DOI： 10.3390/drones9070469 http://dx.doi.org/10.3390/drones9070469 ］
Fang H ， Liao G ， Liu Y ， Zeng C ， He X and Meng Q . 2024 . A dual-mode framework for robust long-term tracking in video SAR . IEEE Sensors Journal ， 24 （ 8 ）： 13028 - 13042 . ［ DOI： 10.1109/JSEN.2024.3373396 http://dx.doi.org/10.1109/JSEN.2024.3373396 ］
Gao G S ， Shang Y Q ， and Dong Y . 2025 . Review of deep learning algorithms for small object detection in optical remote sensing images . Journal of Image and Graphics ， 2025， 30 （ 11 ）： 3479 - 3505 .
高广帅 ， 尚云琦 ， 董燕 . 2025 . 光学遥感图像小目标检测深度学习算法综述 . 中国图象图形学报 ， 2025， 30 （ 11 ）： 3479 - 3505 . ［ DOI： 10. 11834/jig. 240740 http://dx.doi.org/10.11834/jig.240740 ］
Gao Y ， Chen P ， Liu Z Q ， Tong X H ， Yuan J ， and Wang X . 2025 . GUAV-YOLO： A lightweight detection model for gray-scale image UAV small targets . Acta Optica Sinica ， 45 （ 23 ）： 98 - 113 .
高仪 ， 陈鹏 ， 刘子奇 ， 童小华 ， 袁杰 ， 王响 . 2025 . GUAV-YOLO： 面向灰度影像无人机小目标的轻量化检测模型 . 光学学报 ， 2025， 45 （ 23 ）： 98 - 113 . ［ DOI： 10.3788/AOS250911 http://dx.doi.org/10.3788/AOS250911 ］
Gao Y ， Xin Y ， Yang H and Wang Y . 2024 . A lightweight anti-unmanned aerial vehicle detection method based on improved YOLOv11 . Drones ， 9 （ 1 ）： 11 . ［ DOI： 10.3390/drones9010011 http://dx.doi.org/10.3390/drones9010011 ］
Granillo O D M and Beltran Z Z . 2018 . Real-time drone （UAV） trajectory generation and tracking by optical flow // Proceedings of the 2018 International Conference on Mechatronics， Electronics and Automotive Engineering （ICMEAE） . Cuernavaca， Mexico ： IEEE： 38 - 43 . ［ DOI： 10.1109/ICMEAE.2018.00014 http://dx.doi.org/10.1109/ICMEAE.2018.00014 ］
Harvey C and Inman D J . 2021 . Aerodynamic efficiency of gliding birds vs comparable UAVs： a review . Bioinspiration & Biomimetics ， 16 （ 3 ）： 031001 . ［ DOI： 10.1088/1748-3190/abc86a http://dx.doi.org/10.1088/1748-3190/abc86a ］
Huang M ， Mi W and Wang Y . 2024 . EDGS-YOLOv8： An improved YOLOv8 lightweight UAV detection model . Drones ， 8 （ 7 ）： 337 . ［ DOI： 10.3390/drones8070337 http://dx.doi.org/10.3390/drones8070337 ］
He T ， Hou J and Chen D . 2025 . Multimodal UAV target detection method based on acousto-optical hybridization . Drones ， 9 （ 9 ）： 627 . ［ DOI： 10.3390/drones9090627 http://dx.doi.org/10.3390/drones9090627 ］
Huang B ， Chen J ， Xu T ， Wang Y ， Jiang S and Y Wang ， et al . 2021 . SiamSTA： Spatio-temporal attention based Siamese tracker for tracking UAVs // Proceedings of the International Conference on Computer Vision . Montreal， Canada ： IEEE： 1204 - 1212 . ［ DOI： 10.1109/ICCVW54120.2021.00140 http://dx.doi.org/10.1109/ICCVW54120.2021.00140 ］
Jiang Y ， Li X ， Zhu G ， Li H ， Deng J and Han K . 2025 . Integrated sensing and communication for low altitude economy： Opportunities and challenges . IEEE Communications Magazine ， 63 （ 12 ）： 72 - 78 . ［ DOI： 10.1109/MCOM.001.2400685 http://dx.doi.org/10.1109/MCOM.001.2400685 ］
Jie L ， Liu CF ， Cheng D ， Tong F ， Nimin Z and Hang Z . 2021 . Necessity analysis and scheme of constructing ultra-low-altitude defense system in megacities . IEEE Aerospace and Electronic Systems Magazine ， 36 （ 1 ）： 14 - 21 . ［ DOI： 10.1109/MAES.2020.3021303 http://dx.doi.org/10.1109/MAES.2020.3021303 ］
Jiang N ， Wang K ， Peng X ， Yu X ， Wang Q and Xing J ， et al . 2021 . Anti-UAV： A large-scale benchmark for vision-based UAV tracking . IEEE Transactions on Multimedia ， 25 ： 486 - 500 . ［ DOI： 10.1109/TMM.2021.3128047 http://dx.doi.org/10.1109/TMM.2021.3128047 ］
Kalsotra R and Arora S . 2022 . Background subtraction for moving object detection： Explorations of recent developments and challenges . The Visual Computer ， 38 （ 12 ）： 4151 - 4178 . ［ DOI： 10.1007/s00371-021-02286-0 http://dx.doi.org/10.1007/s00371-021-02286-0 ］
Köksal A ， Tuzcuoğlu Ö ， İnce K G ， Ataseven Y and Alatan AA . 2022 . Improved hard example mining approach for single shot object detectors // Proceedings of the 2022 IEEE International Conference on Image Processing （ICIP） . Bordeaux， France ： IEEE： 3536 - 3540 . ［ DOI： 10.1109/ICIP46576.2022.9897806 http://dx.doi.org/10.1109/ICIP46576.2022.9897806 ］
Kemsaram N ， Kanth T V R and Guntupalli D R . 2016 . A mean-shift algorithm based autonomous visual tracking for micro aerial vehicles . International Journal of Recent Trends in Engineering & Research ， 2 （ 4 ）： 362 - 369 .
Li D L ， Cai H X ， Wang T T ， Zhao J X ， Hua Y Y ， and Li T ， et al . 2025 . Application analysis of low-altitude UAV small target detection and snapshot spectral imaging （invited） . Acta Optica Sinica ， 45 （ 17 ）： 376 - 388 .
李栋梁 ， 蔡红星 ， 王婷婷 ， 赵俊霞 ， 花扬扬 ， 李腾 ， 等 . 2025 . 低空无人机小目标探测及快照式光谱成像应用分析（特邀）. 光学学报 ， 45 （ 17 ）： 376 - 388 . ［ DOI： 10.3788/AOS251247 http://dx.doi.org/10.3788/AOS251247 ］
Luo J H and Wang Z Y . 2022 . Review on development and application of UAV detection and countermeasure technology . Control and Decision ， 37 （ 3 ）： 530 - 544 .
罗俊海 ， 王芝燕 . 2022 . 无人机探测与对抗技术发展及应用综述 . 控制与决策 ， 2022， 37 （ 3 ）： 530 - 544 . ［ DOI： 10.13195/j.kzyjc.2020.1507 http://dx.doi.org/10.13195/j.kzyjc.2020.1507 ］
Li M S ， Zhou M H ， and Zhi R C . 2025 . A survey on UAV recognition based on multimodal fusion . Computer Engineering and Applications ， 2025， 61 （ 21 ）： 1 - 14 .
李旻姝 ， 周莫涵 ， 支瑞聪 . 2025 . 基于多模态融合的无人机识别研究综述 . 计算机工程与应用 ， 2025， 61 （ 21 ）： 1 - 14 . ［ DOI： 10.3778/j.issn.1002-8331.2501-0014 http://dx.doi.org/10.3778/j.issn.1002-8331.2501-0014 ］
Li Q ， Zhang W ， Lu W and Q Wang . 2025 . Multi-branch mutual-guiding learning for infrared small target detection . IEEE Transactions on Geoscience and Remote Sensing ， 63 ： 1 - 10 . ［ DOI： 10.1109/TGRS.2025.3526754 http://dx.doi.org/10.1109/TGRS.2025.3526754 ］
Lei Y ， Yao H ， Jiang B ， Tian T and Xing P . 2022 . Anti-UAV high-performance computing early warning neural network based on PSO algorithm . Scientific Programming ， 2022 （ 1 ）： 7150128 . ［ DOI： 10.1155/2022/7150128 http://dx.doi.org/10.1155/2022/7150128 ］
Liu K ， Li J ， Yan X W ， and Zou K L . 2025 . Infrared small UAV target detection based on multi-dimensional feature optimization . Acta Photonica Sinica ， 54 （ 8 ）： 182 - 194 .
刘坤 ， 李基 ， 晏行伟 ， 邹昆霖 . 2025 . 基于多维特征优化的红外小型无人机目标检测 . 光子学报 ， 2025， 54 （ 8 ）： 182 - 194 . ［ DOI： 10.3788/gzxb20255408.0810001 http://dx.doi.org/10.3788/gzxb20255408.0810001 ］
Liang D ， Gao S ， Sun H ， and Liu N Z . 2020 . UAV target detection in moving camera by combining kernelized correlation filters and deep learning . Acta Aeronautica et Astronautica Sinica ， 41 （ 9 ）： 159 - 171 .
梁栋 ， 高赛 ， 孙涵 ， 刘宁钟 . 2020 . 结合核相关滤波器和深度学习的运动相机中无人机目标检测 . 航空学报 ， 2020， 41 （ 9 ）： 159 - 171 . ［ DOI： 10.7527/S1000-6893.2020.23733 http://dx.doi.org/10.7527/S1000-6893.2020.23733 ］
Li Q ， Wang Z ， Cui S W and He M Y . 2025 . Lightweight spaceborne remote sensing object detection algorithm with multi-attention mechanism . Journal of Image and Graphics ， 30 （ 12 ）： 3955 - 3968
李强 ， 王智 ， 崔书玮 ， 何明一 . 2025 . 融合多注意力机制的轻量化天基遥感目标检测算法 . 中国图象图形学报 ， 30 （ 12 ）： 3955 - 3968 ［ DOI： 10.11834/jig.250002 http://dx.doi.org/10.11834/jig.250002 ］
Liu J ， Wen B ， Xiao J and Sun M . 2025 . Design of UAV target detection network based on deep feature fusion and optimization with small targets in complex contexts . Neurocomputing ， 639 ： 130207 . ［ DOI： 10.1016/j.neucom.2025.130207 http://dx.doi.org/10.1016/j.neucom.2025.130207 ］
Li H ， Xiao L ， Cao L ， Yao S ， Wang M and Li Y . 2026 . DFFormer： UAV object detection via feature scaling and interaction . IEEE Transactions on Geoscience and Remote Sensing ， 64 ： 1 - 16 . ［ DOI： 10.1109/TGRS.2026.3658082 http://dx.doi.org/10.1109/TGRS.2026.3658082 ］
Li M ， Chen N ， An W ， Li B Y ， Ling Q ， and Li W X . 2024 . Dual-view fusion detection method for event-camera-based UAV detection . Opto-Electronic Engineering ， 51 （ 11 ）： 49 - 59 .
李淼 ， 陈诺 ， 安玮 ， 李博扬 ， 凌强 ， 李卫星 . 2024 . 面向事件相机探测无人机的双视图融合检测方法 . 光电工程 ， 2024， 51 （ 11 ）： 49 - 59 . ［ DOI： 10.12086/oee.2024.240208 http://dx.doi.org/10.12086/oee.2024.240208 ］
Liu R Q ， Wang H Y and Han J Z . 2024 . Detection and real-time following for UAV targets . Computer Engineering and Applications ， 60 （ 11 ）： 319 - 327 .
刘瑢琦 ， 王红雨 ， 韩佼志 . 2024 . 面向无人机目标的检测与实时跟随 . 计算机工程与应用 ， 2024， 60 （ 11 ）： 319 - 327 . ［ DOI： 10.3778/j.issn.1002-8331.2302-0281 http://dx.doi.org/10.3778/j.issn.1002-8331.2302-0281 ］
Lin S B ， Wu G S and Yang W Y . 2025 . Target-aware transformer UAV tracking focusing on key information . CAAI Transactions on Intelligent Systems ， 20 （ 6 ）： 1483 - 1492 .
林淑彬 ， 吴贵山 ， 杨文元 . 2025 . 聚焦关键信息的目标感知Transformer无人机跟踪 . 智能系统学报 ， 2025， 20 （ 6 ）： 1483 - 1492 . ［ DOI： 10.11992/tis.202506030 http://dx.doi.org/10.11992/tis.202506030 ］
Liu Y ， Sun Z ， Xi L ， Dong W ， Chen C and Lu M ， et al . 2025 . MMFW-UAV dataset： Multi-sensor and multi-view fixed-wing UAV dataset for air-to-air vision tasks . Scientific Data ， 12 （ 1 ）： 185 . ［ DOI： 10.1038/s41597-025-04482-2 http://dx.doi.org/10.1038/s41597-025-04482-2 ］
Li W ， Xiao L ， Li H ， Yao S ， Wan B and Ren D . 2025 . DACG-Net： A dual-backbone and context-guided fusion network for aerial UAV detection . IEEE Transactions on Aerospace and Electronic Systems ， 61 （ 6 ）： 17109 - 17123 . ［ DOI： 10.1109/TAES.2025.3601109 http://dx.doi.org/10.1109/TAES.2025.3601109 ］
Lyu P and Wu Y Q . 2026 . Research progress of quantum image information processing methods . Journal of Image and Graphics ： 1 - 30 .
吕品 ， 吴一全 . 2026 . 量子图像信息处理方法研究进展 . 中国图象图形学报 ： 1 - 30 . ［ DOI： 10.11834/jig.250566 http://dx.doi.org/10.11834/jig.250566 ］
Munir A ， Siddiqui A J ， Hossain M S and El-Maleh A . 2025 . YOLO-RAW： Advancing UAV detection with robustness to adverse weather conditions . IEEE Transactions on Intelligent Transportation Systems ， 26 （ 6 ）： 7857 - 7873 . ［ DOI： 10.1109/TITS.2025.3560792 http://dx.doi.org/10.1109/TITS.2025.3560792 ］
Ma J ， Huang S ， Jin D ， Wang X ， Li L and Guo Y ， et al . 2024 . LA-YOLO： An effective detection model for multi-UAV under low altitude background . Measurement Science and Technology ， 35 （ 5 ）： 055401 . ［ DOI： 10.1088/1361-6501/ad23c6 http://dx.doi.org/10.1088/1361-6501/ad23c6 ］
Pan X Y ， Jia N X ， Mu Y Z and Gao X R . 2023 . Survey of small object detection . Journal of Image and Graphics ， 28 （ 9 ）： 2587 - 2615 .
潘晓英 ， 贾凝心 ， 穆元震 ， 高炫蓉 . 2023 . 小目标检测研究综述 . 中国图象图形学报 ， 28 （ 9 ）： 2587 - 2615 . ［ DOI： 10.11834/jig.220455 http://dx.doi.org/10.11834/jig.220455 ］
Qin Z and Li Y . 2026 . DCAM-DETR： Dual Cross-Attention Mamba Detection Transformer for RGB–Infrared Anti-UAV Detection . Information ， 17 （ 1 ）： 103 . ［ DOI： 10.3390/info17010103 http://dx.doi.org/10.3390/info17010103 ］
Qiu Y ， Lu Y ， Wang Y and Jiang H . 2023 . ARODNet： Adaptive rain image enhancement object detection network for autonomous driving in adverse weather conditions . Optical Engineering ， 62 （ 11 ）： 118101 - 118101 . ［ DOI： 10.1117/1.OE.62.11.118101 http://dx.doi.org/10.1117/1.OE.62.11.118101 ］
Qiao X B ， Guo Y ， Zhao Y Q ， and Liu L . 2025 . UAV target detection method in complex interference environment based on infrared polarization imaging . Acta Electronica Sinica ： 1 - 12 .
乔新博 ， 郭阳 ， 赵永强 ， 刘亮 . 2025 . 基于红外偏振成像的复杂干扰环境下无人机目标检测方法 . 电子学报 ： 1 - 12 . ［ DOI： 10.12263/DZXB.20250496 http://dx.doi.org/10.12263/DZXB.20250496 ］
Rouhi A ， Umare H ， Patal S ， Kapoor R ， Deshpande N and Arezoomandan S ， et al . 2024 . Long-range drone detection dataset // Proceedings of 2024 IEEE International Conference on Consumer Electronics （ICCE） . Las Vegas， USA ： IEEE： 1 - 6 . ［ DOI： 10.1109/ICCE59016.2024.10444135 http://dx.doi.org/10.1109/ICCE59016.2024.10444135 ］
Sun H ， Liu Q ， Wang J ， Ren J ， Wu Y and Zhao H ， et al . 2021 . Fusion of infrared and visible images for remote detection of low-altitude slow-speed small targets . IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ， 14 ： 2971 - 2983 . ［ DOI： 10.1109/JSTARS.2021.3061496 http://dx.doi.org/10.1109/JSTARS.2021.3061496 ］
Shabaz M and Soni M . 2024 . Adaptive enhancement of spatial information in adverse weather . Spatial Information Research ， 32 （ 4 ）： 473 - 484 . ［ DOI： 10.1007/s41324-024-00577-x http://dx.doi.org/10.1007/s41324-024-00577-x ］
Srinivas Y and Ganivada A . 2025 . A modified inter-frame difference method for detection of moving objects in videos . International Journal of Information Technology ， 17 （ 2 ）： 749 - 754 . ［ DOI： 10.1007/s41870-024-02355-2 http://dx.doi.org/10.1007/s41870-024-02355-2 ］
Saeed V A . 2024 . A framework for recognition of facial expression using HOG features . International Journal of Mathematics， Statistics， and Computer Science ， 2 ： 1 - 8 . ［ DOI： 10.59543/ijmscs.v2i.7815 http://dx.doi.org/10.59543/ijmscs.v2i.7815 ］
Shi Q and Li J . 2020 . Objects detection of UAV for anti-UAV based on YOLOv4//Proceedings of the 2020 IEEE 2nd International Conference on Civil Aviation Safety and Information Technology （ICCASIT） . Weihai， China ： IEEE ： 1048 - 1052 . ［ DOI： 10.1109/ICCASIT50869.2020.9368788 http://dx.doi.org/10.1109/ICCASIT50869.2020.9368788 ］
Sun K ， Wang X ， Miao X and Q Zhao . 2025 . A review of AI edge devices and lightweight CNN and LLM deployment . Neurocomputing ， 614 ： 128791 . ［ DOI： 10.1016/j.neucom.2024.128791 http://dx.doi.org/10.1016/j.neucom.2024.128791 ］
Shao J F ， Cai S J and Liu J . 2025 . YOLO-LDD： Lightweight drone detection algorithm . Journal of Jilin University （Science Edition） ， 63 （ 3 ）： 867 - 877 .
邵剑飞 ， 蔡世军 ， 刘杰 . 2025 . YOLO-LDD：轻量级无人机检测算法 . 吉林大学学报（理学版） ， 2025， 63 （ 3 ）： 867 - 877 . ［ DOI： 10.13413/j.cnki.jdxblxb.2024085 http://dx.doi.org/10.13413/j.cnki.jdxblxb.2024085 ］
Sun H ， Bai J ， Yang F and Bai X . 2023 . Receptive-field and direction induced attention network for infrared dim small target detection with a large-scale dataset IRDST . IEEE Transactions on Geoscience and Remote Sensing ， 61 ： 1 - 13 . ［ DOI： 10.1109/TGRS.2023.3235150 http://dx.doi.org/10.1109/TGRS.2023.3235150 ］
Svanström F ， Alonso-Fernandez F and Englund C . 2021 . A dataset for multi-sensor drone detection . Data in Brief ， 39 ： 107521 . ［ DOI： 10.1016/j.dib.2021.107521 http://dx.doi.org/10.1016/j.dib.2021.107521 ］
Tong K and Wu Y Q . 2024 . Progress in benchmark of small object detection based on deep learning . Acta Electronica Sinica ， 52 （ 3 ）： 1016 - 1040 .
童康 ， 吴一全 . 2024 . 基于深度学习的小目标检测基准研究进展 . 电子学报 ， 2024， 52 （ 3 ）： 1016 - 1040 . ［ DOI： 10.12263/DZXB.20230624 http://dx.doi.org/10.12263/DZXB.20230624 ］
Tian D ， Wang C ， Zhou D ， Yan X and Zeng L . 2024 . NFE-YOLO： A lightweight and efficient detection network for low， slow， and small drones . IEEE Access ， 12 ： 175458 - 175471 . ［ DOI： 10.1109/ACCESS.2024.3492058 http://dx.doi.org/10.1109/ACCESS.2024.3492058 ］
Tao L ， Hong T and Chao X . 2020 . UAV recognition and positioning tracking based on YOLOv3 . Journal of University of Science and Technology Beijing ， 42 （ 4 ）： 463 - 468 .
陶磊 ， 洪韬 ， 钞旭 . 2020 . 基于YOLOv3的无人机识别与定位追踪 . 工程科学学报 ， 2020， 42 （ 4 ）： 463 - 468 . ［ DOI： 10.13374/j.issn2095-9389.2019.09.10.002 http://dx.doi.org/10.13374/j.issn2095-9389.2019.09.10.002 ］
Wang B ， Li Q ， Mao Q ， Wang J ， Chen CLP and Shangguan A ， et al . 2024 . A survey on vision-based anti unmanned aerial vehicles methods . Drones ， 8 （ 9 ）： 518 . ［ DOI： 10.3390/drones8090518 http://dx.doi.org/10.3390/drones8090518 ］
Wang Z ， Qi L ， Tie Y ， Ding Y and Bai Y . 2018 . Drone detection based on FD-HOG descriptor // Proceedings of the 2018 International Conference on Cyber-Enabled Distributed Computing and Knowledge Discovery （CyberC） . Zhengzhou， China ： IEEE： 433 - 433 . ［ DOI： 10.1109/CyberC.2018.00084 http://dx.doi.org/10.1109/CyberC.2018.00084 ］
Wang G ， Yang X ， Li L ， Gao K ， Gao J and Zhang J ， et al . 2024 . Tiny drone object detection in videos guided by the bio-inspired magnocellular computation model . Applied Soft Computing ， 163 ： 111892 . ［ DOI： 10.1016/j.asoc.2024.111892 http://dx.doi.org/10.1016/j.asoc.2024.111892 ］
Wang C ， Meng L ， Gao Q ， Wang J ， Wang T and Liu X ， et al . 2022 . A lightweight UAV swarm detection method integrated attention mechanism . Drones ， 7 （ 1 ）： 13 . ［ DOI： 10.3390/drones7010013 http://dx.doi.org/10.3390/drones7010013 ］
Wan Q ， Feng L ， Xiao Z ， Zhu Z ， Xing H and Tian Y ， et al . 2025 . QHNet： A novel quad-head network for real-time detection of intruding drones . IEEE Transactions on Geoscience and Remote Sensing ， 64 ： 1 - 18 . ［ DOI： 10.1109/TGRS.2025.3567751 http://dx.doi.org/10.1109/TGRS.2025.3567751 ］
Wu C ， Tang W ， Rao Y ， Chen Y ， Ding H and Zhu S ， et al . 2025 . An uncertainty quantification-based method for anti-UAV detection in infrared images . Computers， Materials & Continua ， 83 （ 1 ）： 1415 . ［ DOI： 10.32604/cmc.2025.059797 http://dx.doi.org/10.32604/cmc.2025.059797 ］
Wan Y ， Ji J ， Zhou F ， Wu Q and Quek T Q S . 2025 . From static dense to dynamic sparse： vision-radar fusion-based UAV detection . IEEE Transactions on Information Forensics and Security ， 20 ： 4454 - 4468 . ［ DOI： 10.1109/TIFS.2025.3560551 http://dx.doi.org/10.1109/TIFS.2025.3560551 ］
Wang G ， Jiang Q ， Jin X ， Wozniak M ， Wang P and Yao S . 2024 . RTM-UAVDET： A real-time multimodal UAV detector . IEEE Transactions on Aerospace and Electronic Systems ， 61 （ 1 ）： 473 - 489 . ［ DOI： 10.1109/TAES.2024.3446460 http://dx.doi.org/10.1109/TAES.2024.3446460 ］
Wang X D ， Wang Y W and Yan H . 2019 . Continuously adaptive mean shift tracking algorithm with background-suppressed histogram model . Journal of Electronics & Information Technology ， 41 （ 6 ）： 1480 - 1487 .
王旭东 ， 王屹炜 ， 闫贺 . 2019 . 背景抑制直方图模型的连续自适应均值漂移跟踪算法 . 电子与信息学报 ， 2019， 41 （ 6 ）： 1480 - 1487 . ［ DOI： 10.11999/JEIT180588 http://dx.doi.org/10.11999/JEIT180588 ］
Wang Y ， Xu T and Li J . 2025 . FocusTrack： A self-adaptive local sampling algorithm for efficient anti-UAV tracking . IEEE Transactions on Geoscience and Remote Sensing ， 63 ： 1 - 14 . ［ DOI： 10.1109/TGRS.2025.3562958 http://dx.doi.org/10.1109/TGRS.2025.3562958 ］
Wu H and Liu G . 2022 . A dynamic infrared object tracking algorithm by frame differencing . Infrared Physics & Technology ， 127 ： 104384 . ［ DOI： 10.1016/j.infrared.2022.104384 http://dx.doi.org/10.1016/j.infrared.2022.104384 ］
Wu H ， Li W ， Li W and Liu G . 2020 . A real-time robust approach for tracking UAVs in infrared videos // Proceedings of Conference on Computer Vision and Pattern Recognition Workshops . Seattle， USA ： IEEE： 1032 - 1033 . ［ DOI： 10.1109/CVPRW50498.2020.00524 http://dx.doi.org/10.1109/CVPRW50498.2020.00524 ］
Wang Z ， Hu Y ， Yang J ， Zhou G ， Liu F and Liu Y . 2024 . A contrastive-augmented memory network for anti-UAV tracking in TIR videos . Remote Sensing ， 16 （ 24 ）： 4775 . ［ DOI： 10.3390/rs16244775 http://dx.doi.org/10.3390/rs16244775 ］
Wang W S ， He J Y ， Huang M ， and Wu G X . 2025 . UAV target recognition and tracking algorithm by fusing gradient improved YOLO and KCF model . Chinese Journal of Scientific Instrument ， 46 （ 2 ）： 221 - 233 .
王文胜 ， 何君尧 ， 黄民 ， 吴国新 . 2025 . 融合梯度改进YOLO和KCF模型的无人机目标识别跟踪算法 . 仪器仪表学报 ， 2025， 46 （ 2 ）： 221 - 233 . ［ DOI： 10.19650/j.cnki.cjsi.J2413509 http://dx.doi.org/10.19650/j.cnki.cjsi.J2413509 ］
Wang H ， Zhou L and Wang L . 2019 . Miss detection vs. false alarm： Adversarial learning for small object segmentation in infrared images // Proceedings of International Conference on Computer Vision . Seoul， South Korea ： IEEE： 950 - 959 . ［ DOI： 10.1109/ICCV.2019.00860 http://dx.doi.org/10.1109/ICCV.2019.00860 ］
Wang Y ， Chen Y ， Choi J and Kuo CCJ . 2019 . Towards visible and thermal drone monitoring with convolutional neural networks . APSIPA Transactions on Signal and Information Processing ， 8 ： e5 . ［ DOI： 10.1017/ATSIP.2018.30 http://dx.doi.org/10.1017/ATSIP.2018.30 ］
Wei Y ， Wang X ， Bo C and Shi Z . 2025 . Small target drone algorithm in low-altitude complex urban scenarios based on ESMS-YOLOv7 . Cognitive Robotics ， 5 ： 14 - 25 . ［ DOI： 10.1016/j.cogr.2024.11.004 http://dx.doi.org/10.1016/j.cogr.2024.11.004 ］
Wu T ， Duan H and Zeng Z . 2024 . Biological eagle-eye-based correlation filter learning for fast UAV tracking . IEEE Transactions on Instrumentation and Measurement ， 73 ： 1 - 12 . ［ DOI： 10.1109/TIM.2024.3436132 http://dx.doi.org/10.1109/TIM.2024.3436132 ］
Wang Z T and Wu Y Q . 2025 . Research progress on vision and deep learning based scene perception methods for UAV autonomous landing . Acta Electronica Sinica ， 53 （ 11 ）： 4171 - 4198 .
王中天 ， 吴一全 . 2025 . 基于视觉与深度学习的无人机自主着陆场景感知方法研究进展 . 电子学报 ， 2025， 53 （ 11 ）： 4171 - 4198 . ［ DOI： 10.12263/DZXB.20250775 http://dx.doi.org/10.12263/DZXB.20250775 ］
Xu L and Luo Z . 2025 . Anti-UAV detection and identification technology： Fundamentals， methods and challenges . Physical Communication ， 2025 ： 102676 . ［ DOI： 10.1016/j.phycom.2025.102676 http://dx.doi.org/10.1016/j.phycom.2025.102676 ］
Xie J Y ， Wang X J ， Shi Z G ， Wu J F ， Chen J M ， and Chen Q ， et al . 2021 . Drone detection and tracking algorithm for dynamic pan-tilt-zoom camera . CAAI Transactions on Intelligent Systems ， 16 （ 5 ）： 858 - 869 .
谢家阳 ， 王行健 ， 史治国 ， 吴均峰 ， 陈积明 ， 陈潜 ， 等 . 2021 . 动态云台摄像机无人机检测与跟踪算法. 智能系统学报 ， 2021 ， 16 （ 5 ）： 858 - 869 . ［ DOI： 10.11992/tis.202103032 http://dx.doi.org/10.11992/tis.202103032 ］
Xiao J G ， Xiong Y H ， Zhang F K ， He W ， and Shu M L . 2025 . Research on UAV target detection technology based on YOLOv11 algorithm . Aero Weaponry ， 32 （ 4 ）： 80 - 87 .
肖建国 ， 熊宇虹 ， 张方凯 ， 何伟 ， 舒明磊 . 2025 . 基于YOLOv11算法的无人机目标检测技术的研究 . 航空兵器 ， 2025， 32 （ 4 ）： 80 - 87 . ［ DOI： 10.12132/ISSN.1673-5048.2025.0027 http://dx.doi.org/10.12132/ISSN.1673-5048.2025.0027 ］
Xie W ， Wan Y ， Wu G ， Li Y ， Zhou F and Wu Q . 2024 . A RF-visual directional fusion framework for precise UAV positioning . IEEE Internet of Things Journal ， 11 （ 22 ）： 36736 - 36747 . ［ DOI： 10.1109/JIOT.2024.3424271 http://dx.doi.org/10.1109/JIOT.2024.3424271 ］
Xie X ， Xi J ， Yang X ， Lu R and Xia W . 2023 . STFTrack： Spatio-temporal-focused Siamese network for infrared UAV tracking . Drones ， 7 （ 5 ）： 296 . ［ DOI： 10.3390/drones7050296 http://dx.doi.org/10.3390/drones7050296 ］
Xu B ， Hou R ， Bei J ， Ren T and Wu G . 2024 . Jointly modeling association and motion cues for robust infrared UAV tracking . The Visual Computer ， 40 （ 12 ）： 8413 - 8424 . ［ DOI： 10.1007/s00371-023-03245-7 http://dx.doi.org/10.1007/s00371-023-03245-7 ］
Xiao J ， Chee J H and Feroskhan M . 2024 . Real-time multi-drone detection and tracking for pursuit-evasion with parameter search . IEEE Transactions on Intelligent Vehicles ， 9 （ 10 ）： 6027 - 6037 . ［ DOI： 10.1109/TIV.2024.3360433 http://dx.doi.org/10.1109/TIV.2024.3360433 ］
Xu H ， Zhong S ， Zhang T and Zou X . 2023 . Multiscale multilevel residual feature fusion for real-time infrared small target detection . IEEE Transactions on Geoscience and Remote Sensing ， 61 ： 1 - 16 . ［ DOI： 10.1109/TGRS.2023.3324502 http://dx.doi.org/10.1109/TGRS.2023.3324502 ］
Xu W ， Sun H ， Wang S ， Zhang X and Ji Y . 2026 . MACTrack： Spatiotemporal context propagation with motion compensation for anti-UAV tracking . Neural Networks ： 108725 . ［ DOI： 10.1016/j.neunet.2026.108725 http://dx.doi.org/10.1016/j.neunet.2026.108725 ］
Yang X ， del Rey Castillo E ， Zou Y and Wotherspoon L . 2024 . UAV-deployed deep learning network for real-time multi-class damage detection using model quantization techniques . Automation in Construction ， 159 ： 105254 . ［ DOI： 10.1016/j.autcon.2023.105254 http://dx.doi.org/10.1016/j.autcon.2023.105254 ］
Yang H ， Liang B ， Feng S ， Jiang J ， Fang A and Li C . 2025 . Lightweight UAV detection method based on IASL-YOLO . Drones ， 9 （ 5 ）： 325 . ［ DOI： 10.3390/drones9050325 http://dx.doi.org/10.3390/drones9050325 ］
Yu Q ， Wang J ， Yang D ， Yang D ， Yang W and Zhang T . 2025 . A framework strengthened by scenario compensation for anti-UAV tracking . Signal， Image and Video Processing ， 19 （ 12 ）： 977 . ［ DOI： 10.1007/s11760-025-04465-1 http://dx.doi.org/10.1007/s11760-025-04465-1 ］
Yu J ， Xu T ， Zhu X and Wu XJ . 2024 . Local point matching for collaborative image registration and RGBT anti-UAV tracking // Proceedings of Chinese Conference on Pattern Recognition and Computer Vision （PRCV） . Singapore ： Springer Nature Singapore： 418 - 432 . ［ DOI： 10.1007/978-981-97-8858-3_29 http://dx.doi.org/10.1007/978-981-97-8858-3_29 ］
Yuan S ， Yang Y ， Nguyen T H ， Nguyen TM ， Yang J and Liu F ， et al . 2024 . MMAUD： A comprehensive multi-modal anti-UAV dataset for modern miniature drone threats // Proceedings of 2024 IEEE International Conference on Robotics and Automation （ICRA） . Yokohama， Japan ： IEEE： 2745 - 2751 . ［ DOI： 10.1109/ICRA57147.2024.10610957 http://dx.doi.org/10.1109/ICRA57147.2024.10610957 ］
Yuan S ， Sun B ， Zuo Z ， Huang H ， Wu P and Li C ， et al . 2023 . IRSDD-YOLOv5： Focusing on the infrared detection of small drones . Drones ， 7 （ 6 ）： 393 . ［ DOI： 10.3390/drones7060393 http://dx.doi.org/10.3390/drones7060393 ］
Zhou D and Wang X . 2023 . Research on high robust infrared small target detection method in complex background . IEEE Geoscience and Remote Sensing Letters ， 20 ： 1 - 5 . ［ DOI： 10.1109/LGRS.2023.3297523 http://dx.doi.org/10.1109/LGRS.2023.3297523 ］
Zhang C ， Wang D B and Farooq M . 2010 . Real-time tracking of fast moving objects in complex background . Transactions of Nanjing University of Aeronautics & Astronautics ， 27 （ 4 ）： 321 - 325 . ［ DOI： 10.16356/j.1005-1120.2010.04.012 http://dx.doi.org/10.16356/j.1005-1120.2010.04.012 ］
Zhang B ， Hu S M ， Du J ， Yang X ， Chen X and Jiang H ， et al . 2024 . Detecting moving objects in photometric images using 3D Hough transform . Publications of the Astronomical Society of the Pacific ， 136 （ 5 ）： 054502 . ［ DOI： 10.1088/1538-3873/ad481f http://dx.doi.org/10.1088/1538-3873/ad481f ］
Zhou C ， Liu Y and Song Y . 2016 . Detection and tracking of a UAV via Hough transform // Proceedings of the 2016 CIE International Conference on Radar （RADAR） . Guangzhou， China ： IEEE： 1 - 4 . ［ DOI： 10.1109/RADAR.2016.8059453 http://dx.doi.org/10.1109/RADAR.2016.8059453 ］
Zhu C ， Xie X ， Xi J and Yang X . 2025 . GM-DETR： Infrared detection of small UAV swarm targets based on detection transformer . Remote Sensing ， 17 （ 19 ）： 3379 . ［ DOI： 10.3390/rs17193379 http://dx.doi.org/10.3390/rs17193379 ］
Zuo Z ， Yuan S D ， Li C ， Li C ， and Huang H H . 2025 . Multi-scale learning based infrared UAV target detection algorithm . Journal of National University of Defense Technology ， 47 （ 6 ）： 224 - 234 .
左震 ， 袁书东 ， 李灿 ， 李灿 ， 黄泓赫 . 2025 . 多尺度学习的红外无人机目标检测算法 . 国防科技大学学报 ， 2025， 47 （ 6 ）： 224 - 234 . ［ DOI： 10.1887/j.issn.1001-2486.2409004 http://dx.doi.org/10.1887/j.issn.1001-2486.2409004 ］
Zhang R X ， Li N ， Zhang X X and Zhang HY . 2022 . Low-altitude UAV detection method based on optimized CenterNet . Journal of Beijing University of Aeronautics and Astronautics ， 48 （ 11 ）： 2335 - 2344 .
张瑞鑫 ， 黎宁 ， 张夏夏 ， ZHOU Huiyu . 2022 . 基于优化CenterNet的低空无人机检测方法 . 北京航空航天大学学报 ， 2022， 48 （ 11 ）： 2335 - 2344 . ［ DOI： 10.13700/j.bh.1001-5965.2021.0108 http://dx.doi.org/10.13700/j.bh.1001-5965.2021.0108 ］
Zhong Y C ， Chen Y ， Yang Z C and Li D L . 2025 . Improved YOLOv8 algorithm for small UAV detection application . Journal of Hunan University （Natural Sciences） ， 52 （ 4 ）： 57 - 67 .
仲元昌 ， 陈宇 ， 杨子楚 ， 李大林 . 2025 . 面向小型无人机检测应用的改进YOLOv8算法 . 湖南大学学报（自然科学版） ， 2025， 52 （ 4 ）： 57 - 67 . ［ DOI： 10.16339/j.cnki.hdxbzkb.2025266 http://dx.doi.org/10.16339/j.cnki.hdxbzkb.2025266 ］
Zhang H ， Liu Z ， Ji M ， Li K and Yu Y . 2025 . A novel robust tracking algorithm for anti-UAV based on dynamic similarity scale estimation and adaptive occlusion-aware . Physica Scripta ， 100 （ 5 ）： 056004 . ［ DOI： 10.1088/1402-4896/adc3d4 http://dx.doi.org/10.1088/1402-4896/adc3d4 ］
Zhang Z ， Jin L ， Li S ， Xia JQ ， Wang J and Li Z ， et al . 2023 . Modality meets long-term tracker： A Siamese dual fusion framework for tracking UAV // Proceedings of the 2023 IEEE International Conference on Image Processing （ICIP） . Kuala Lumpur， Malaysia ： IEEE： 1975 - 1979 . ［ DOI： 10.1109/ICIP49359.2023.10222679 http://dx.doi.org/10.1109/ICIP49359.2023.10222679 ］
Zhang J ， Lin Y ， Zhou X ， Zhu X and Zeng D . 2025 . Precision in pursuit： A multi-consistency joint approach for infrared anti-UAV tracking . The Visual Computer ， 41 （ 4 ）： 2187 - 2202 . ［ DOI： 10.1007/s00371-024-03525-w http://dx.doi.org/10.1007/s00371-024-03525-w ］
Zhang J ， Chen Z ， Zheng C ， Yi W ， Yan G and Wang Y . 2026 . Anti-DETR： End-to-end anti-drone visual detection network based on wavelet convolution . Neurocomputing ， 674 ： 132935 . ［ DOI： 10.1016/j.neucom.2026.132935 http://dx.doi.org/10.1016/j.neucom.2026.132935 ］
Zhu Y ， Chen M ， Wang S ， Hu Y ， Liu Y and Yin C . 2024 . Collaborative reinforcement learning based unmanned aerial vehicle （UAV） trajectory design for 3D UAV tracking . IEEE Transactions on Mobile Computing ， 23 （ 12 ）： 10787 - 10802 . ［ DOI： 10.1109/TMC.2024.3382913 http://dx.doi.org/10.1109/TMC.2024.3382913 ］
Zhao J ， Zhang J ， Li D and Wang D . 2022 . Vision-based anti-UAV detection and tracking . IEEE Transactions on Intelligent Transportation Systems ， 23 （ 12 ）： 25323 - 25334 . ［ DOI： 10.1109/TITS.2022.3177627 http://dx.doi.org/10.1109/TITS.2022.3177627 ］
相关作者
相关机构
京公网安备11010802024621