摘要：针对无人机航拍视角下目标检测中存在的小尺寸目标密集、多尺度变化显著及复杂场景干扰导致的检测精度不足问题，提出一种基于YOLOv11n改进的无人机航拍图像目标检测算法DMF-YOLOv11。首先，设计双重双向辅助特征金字塔网络(Dual Bidirectional Auxiliary Feature Pyramid Network， DBAFPN)作为Neck结构，通过多层级特征双向融合机制增强极小目标与常规小目标的特征表征能力；其次，构建多分支混合卷积模块(Multi-branch Hybrid Convolution， MBHConv)，采用并行异构卷积路径提升模型对小尺度目标的感知灵敏度；最后，将自调特征聚合网络(Self-modulating Feature Aggregation Network， SMFANet)与主干网络C3K2模块深度融合，提出C3K2＿FMB模块以协同提取局部细节与非全局上下文特征。在VisDrone2019数据集上的实验表明，DMF-YOLOv11的mAP50与mAP50-95分别达到46.2%和28.4%，较基准模型YOLOv11n分别提升11.5和8.3个百分点，召回率提升9.4个百分点至44.6%。改进算法有效提升了无人机航拍场景下的目标检测精度。
文章目录
1 YOLOv11算法
2 DMF-YOLOv11算法
2.1 DBAFPN
2.2 MBHConv
2.3 C3K3＿FMB
3 实验与分析
3.1 实验环境
3.2 模块对比实验
3.2.1 DBAFPN对比分析
3.2.2 MBHConv对比分析
3.2.3 C3K2＿FMB对比分析
3.3 消融实验
3.4 对比实验分析
3.5 可视化分析
4 结束语
