文件大小：1.11M
摘要：针对无人机航拍图像小目标检测中面临的目标尺寸微小、分布密集、特征信息模糊以及复杂背景干扰等挑战，对YOLO11模型进行改进。改进主要聚焦在三个方面：设计了渐进式多尺度特征提取模块CSMAConv(Channel Split Multi-scale Aggregation Convolution)，对原有C3k2模块进行改造，通过通道分割与多尺度卷积级联结构，既保留了原始特征信息又扩大了感受野范围，显著增强了对多尺度细节特征的捕获能力；提出了新的特征金字塔结构HEFFPN(Hierarchical Efficient Fusion Feature Pyramid Network)，通过构建额外的跨尺度特征融合路径并引入SBA(Selective Boundary Aggregation)特征融合模块，更频繁整合不同尺度信息，提升了特征融合能力；设计了共享增强型检测头(Shared Enhanced Detection-Head，SED-Head)，在降低计算复杂度的同时提高了小目标检测效率。在VisDrone2019数据集的实验中，改进后的模型较YOLO11s在参数量降低51.1%的同时，mAP@0.5和mAP@0.5:0.95分别提高了9.9个百分点和7个百分点，验证了模型的有效性。
文章目录
0 引言
1 YOLO11算法改进
1.1 改进模型整体框架
1.2 改进的C3k2模块
1.3 改进的Neck
1.3.1 改进的Neck网络结构
1.3.2 改进的特征融合模块
1.4 改进的检测头
2 实验结果与分析
2.1 数据集
2.2 实验环境与参数配置
2.3 评价指标
2.4 对比实验
2.5 消融实验
2.6 可视化实验
3 结束语
