基于CFE-YOLOv11的航拍图像目标检测模型
顾成杰1
彭俊铭2
朱东郡1
张俊军1
郑亚兵1
1.安徽理工大学 公共安全与应急管理学院,合肥 2311002.安徽理工大学 计算机科学与工程学院,安徽 淮南 232001
摘要：针对无人机航拍图像中目标尺度变化大、目标遮挡、模型参数量大等问题,提出了上下文特征增强-你只看一次第 11 版(context feature enhancement-you only look once version 11,CFE-YOLOv11)模型,用于航拍图像目标检测.首先,设计轻量化下采样卷积(lightweight downsampling convolution,LDC)模块,通过双路下采样增强特征信息,利用通道混洗提升跨通道信息交互能力,降低模型的参数量.其次,设计基于分离与增强注意力的 3 尺度卷积双路径可变核(convolutional three-scale kernel-adaptive dual-path separated and enhancement attention,C3k2-SEA)模块,提升模型的特征提取能力.同时,提出多分支空间与通道注意力(multi-branch spatial and channel attention,MSCA)模块,增强模型对不同尺度目标特征的提取能力.最后,使用双重损失优化(dual loss optimization,DLO)模块,通过差异化梯度增益分配机制,优化模型的检测效果.结果表明,相较于YOLOv11 模型,CFE-YOLOv11 模型在视觉无人机(visual drones,VisDrone)、遥感图像目标检测(remote sensing object detection,RSOD)数据集上,交并比阈值为 0.50 时的平均精确率均值分别提升了2.1、2.0 个百分点,且模型参数量下降了 15.4%.CFE-YOLOv11 模型不仅提升了航拍图像检测精度,还缓解了模型漏检、误检情况,为准确检测航拍图像目标提供了高效的解决方案.
关键词：无人机航拍图像目标检测特征提取注意力机制
分类号：TP391.4(计算技术、计算机技术)
资助基金：国家自然科学基金(52227901)国家重点研发计划(2022YFB2901305)国家重点研发计划(2023CSJGG1103)安徽省高等学校科学研究项目(2023AH051197)安徽理工大学引进人才科研启动基金(2023yjrc33)
论文发表日期：2025-12-30
在线出版日期：2025-12-10（本平台首次上网日期，不代表文献的发表时间）
页数：7( 497-503 )
英文信息