换一批摘要目的:针对无人机平台下小目标检测对高精度与轻量化的双重需求,提出一种基于多模态特征融合的无人机小目标检测方法.方法:首先,通过光照感知型渐进式红外-可见光图像融合网络自适应整合多模态信息,生成红外-可见光融合图像,为后续检测提供更加完备的输入特征.其次,基于YOLOv11构建改进模型,在Backbone(主干网络)的C3k2模块中引入并行化补丁感知注意力(parallelized patch-aware attention,PPA)模块以强化小目标特征提取能力,在Neck(颈部模块)中增加浅层细节融合模块(shallow detail fusion module,SDFM)以提升多尺度特征融合能力,并在Head(头部模块)中采用动态检测头(dynamic head,DyHead)以增强模型对不同尺度目标的检测鲁棒性.最后,采用多场景多模态数据集(Multi-Scenario Multi-Modality Dataset,M3FD)对提出的方法进行验证,并对比在融合图像与单模态图像下改进模型的小目标检测性能以及在融合图像下改进模型与多种主流小目标检测模型对小目标的检测性能.结果:在融合图像下改进模型的mAP50(交并比为0.5时的平均精度均值)为0.811,较在单模态可见光图像(mAP为0.782)与红外图像(mAP为0.798)下分别提升了3.7%和1.6%.在融合图像下改进模型相比主流小目标检测模型综合性能较优.结论:提出的方法实现了检测精度与轻量化的平衡,为无人机战场侦察与伤员搜救任务中小目标检测提供了高效的解决方案.
更多相关知识
关键词
YOLOv11小目标检测多模态特征融合无人机深度学习YOLOv11small target detectionmultimodal feature fusionunmanned aerial vehicle(UAV)deep learning
栏目名称
DOI
10.19745/j.1003-8868.2026001
发布时间
2026-02-02（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家部委研究生重点课题（JY2022B054）
重庆市自然科学基金面上项目（CSTB2023NSCQ-MSX0558）
- 浏览4
- 被引0
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
