YOLO-Ant：轻量级天线干扰源检测器

"YOLO-Ant是为天线干扰源检测设计的一种轻量级深度学习模型，结合了深度可分离卷积和大卷积核的DSLK-Block以及带有变压器结构的DSLKVit-Block，提高了小目标检测能力并应对复杂背景的挑战。该模型在天线干扰源数据集及公共数据集上表现出色。" YOLO-Ant是针对5G通信中天线干扰源检测问题而开发的一种创新性轻量级探测器。在5G通信时代，有效地识别和消除影响通信质量的干扰源至关重要，但目前专门针对这一任务的学习样本和检测模型较为匮乏。为了解决这一问题，研究人员构建了一个专门的天线干扰源数据集，这为后续的研究提供了基础。 YOLO-Ant模型融合了卷积神经网络（CNN）和变压器架构，旨在在保持模型轻量化的同时，提升目标检测性能。模型设计的核心在于两个独特模块：DSLK-Block和DSLKVit-Block。DSLK-Block利用深度可分离卷积（Depthwise Separable Convolution）降低计算复杂度，同时引入大卷积核以增强特征提取能力，这对于检测小型且难以辨识的天线干扰源尤其关键。深度可分离卷积通过将深度卷积分解为深度卷积和逐点卷积，显著减少了计算量，而大卷积核则有助于捕捉更大的上下文信息。 另一方面，DSLKVit-Block结合了DSLK-Block与变压器结构，提升了模型处理复杂背景和大类间差异的能力。变压器在计算机视觉领域的应用通常能捕获长距离的依赖关系，这在处理具有广泛上下文关联的检测任务时非常有用。通过这种组合，YOLO-Ant能够更准确地定位和识别天线干扰源，即使在背景复杂的情况下也能保持高精度。 实验证明，YOLO-Ant不仅在专为天线干扰源构建的数据集上表现优秀，而且在其他公共数据集上的结果也具有竞争力。这表明，YOLO-Ant不仅适用于专业领域，还具备通用性，能够在多种场景下实现高效、精确的检测。这项工作为天线干扰源检测提供了一个新的、高效的解决方案，并为未来的研究开辟了新的方向。