在现代战场上引入空中无人机改变了作战行动，对地面军事行动构成了重大威胁。在安全场景中探测无人机至关重要。然而，基于机器学习（ML）的现代物体检测器很难检测到像无人机这样的小物体。

本论文提出了三个主要贡献：（a）数据和算法修改，以改进 YOLO 中的小物体检测，从而帮助无人机检测；（b）开发名为 DyViR 的基准无人机检测数据集；以及（c）实施可解释人工智能 (XAI)，以确保决策透明、可信。

为了提高小物体检测的性能，我们在 ML 模型的损失函数中引入了归一化瓦瑟斯坦距离（NWD）。通过加入这一距离度量，我们可以有效地处理小物体检测问题，减少对小物体的惩罚，并适当平衡不同物体大小的重要性。这样，模型就能优先准确检测小物体，从而提高整体性能。

为了评估我们的算法，我们开发并测试了专门用于无人机检测研究的 DyViR 数据集。这个合成数据集为评估无人机检测性能提供了一个基准。

在作战环境中，人工智能系统的可信度至关重要，因为它们的决策会影响用户的生存。因此，我们实施了可解释的人工智能系统（XAI），特别是 Grad-CAM 和 Eigen-CAM，这些技术为模型的决策提供了解释，增加了开发人员和用户对系统的信任。