无人机视角小目标检测的 MASF-YOLO: 改进的 YOLOv11 网络
计算机视觉与模式识别
2025-04-28 v1
摘要
随着无人机航空系统 (UAV) 和计算机视觉技术的快速发展， 从无人机视角进行目标检测已成为一个突出的研究领域。然而，由于目标像素比例极小、目标尺寸差异大以及无人机图像中的复杂背景信息，检测挑战也大大限制了无人机的实际应用。为此，我们提出了一种新型目标检测网络多尺度上下文聚合与尺度自适应融合 YOLO (MASF-YOLO)，其基于 YOLOv11 开发。首先，为解决在无人机图像中检测小目标的困难，我们设计了多尺度特征聚合模块 (MFAM)，通过并行多尺度卷积和特征融合显著提高小目标检测精度。其次，为缓解背景噪声的干扰，我们提出了改进的高效多尺度注意力模块 (IEMA)，通过特征分组、并行子网络和跨空间学习来增强对目标区域的关注。第三，我们引入了维度感知选择性集成模块 (DASI)，通过自适应加权和融合低维特征和高维特征进一步增强多尺度特征融合能力。最后，我们在 VisDrone2019 数据集上进行了广泛的性能评估。相较于 YOLOv11-s，MASF-YOLO-s 在 VisDrone2019 验证集上的 [email protected] 提升了 4.6%，[email protected]:0.95 提升了 3.5%。值得注意的是，MASF-YOLO-s 在仅使用约 60% 参数和 65% 计算资源的情况下，仍显著优于 YOLOv11-m。此外，与当前流行的检测器进行比较实验表明，MASF-YOLO-s 在检测精度和模型效率方面均保持明显的竞争优势。
引用
@article{arxiv.2504.18136,
title = {MASF-YOLO: An Improved YOLOv11 Network for Small Object Detection on Drone View},
author = {Liugang Lu and Dabin He and Congxiang Liu and Zhixiang Deng},
journal= {arXiv preprint arXiv:2504.18136},
year = {2025}
}