点击蓝字

关注我们

关注并星标

从此不迷路

计算机视觉研究院

公众号ID｜计算机视觉研究院

学习群｜扫码在主页获取加入方式

https://pmc.ncbi.nlm.nih.gov/articles/PMC12262879/pdf/pone.0328248.pdf

计算机视觉研究院专栏

Column of Computer Vision Institute

本文提出了一套轻量化、高精度的解决方案 ——LMAD-YOLO，基于 YOLO11 改进，专为无人机航拍场景打造。

PART/1

    痛点   

现有 YOLO、SSD 等算法在无人机视角下，普遍遇到三个硬伤：

1. 小目标特征弱：像素低、边缘糊，噪声一干扰就丢特征
2. 复杂场景扛不住：遮挡、密集、光影变化，漏检误检高发
3. 精度与速度打架：轻量模型丢精度，高精度模型太笨重

为此，研究者从边缘增强、多尺度感知、轻量下采样、多维特征融合四个方向全面升级。

PART/2

     创新   

LMAD-YOLO 在 YOLO11n 基础上，新增 4 个关键设计，个个直击痛点。

1. MultiEdgeEnhancer：边缘增强 + 去噪

• 用平均池化平滑噪声，差分计算强化车辆边缘

• 多尺度自适应池化，捕捉从细纹理到大轮廓

• 效果：精确率 P 提升 2.2%，mAP50 提升 0.5%

MultiEdgeEnhancer 模块与 EdgeBooster 子模块结构

2. MSPF：大核注意力 + 空间金字塔池化

• 把 13×13 大核卷积拆成 1×13+13×1，算力砍半，全局感受野拉满

• 结合 SPPF 多尺度池化，深浅层特征跨通道交互

• 效果：更好区分小目标与干扰，减少漏检

MSPF 与 SPPF 结构对比

3. ADown：轻量双分支下采样

• 平均池化降空间尺寸，分两路保留细节 + 增强局部特征

• 替代传统步幅卷积，不丢小目标特征

• 效果：参数量↓18.5%，计算量↓15.8%，召回率↑1.9%

ADown 模块替换传统卷积下采样

4. MDFPN：多维扩散融合金字塔

• 加入 Dasi 维度感知选择，自动权衡深浅特征权重

• 多尺度扩散机制，特征在不同层双向流动

• 效果：显著降低密集遮挡场景的误检 / 漏检

DASI 模块流程示意图

LMAD-YOLO 整体网络结构

PART/3

     实验结果   

1. 消融实验（核心指标对比）

在 DroneVehicle 数据集上，LMAD-YOLO 相对 YOLO11n：

• 精确率 P：74.6% → 77.0%
• 召回率 R：66.5% → 67.9%
• mAP50：71.4% → 73.6%

• 参数量仅2.42M，比基线还小

消融实验结果表

2. 对比主流 YOLO 系列

和 YOLOv3t/v5n/v8n/v9t/v10n/v11n/v12n 同台比拼：

• mAP50 全场最高：73.6%

• 精度接近 YOLOv3t，但参数量仅 1/4，计算量大幅降低

• 实时性 FPS=197.3，满足无人机端边部署

主流模型对比实验结果

3. 泛化能力：跨数据集照样能打

在通用航拍数据集 VisDrone2019 上：

• mAP50 达26.8%，与 YOLOv9t 并列第一

• 夜间、遮挡、密集小目标场景稳定性突出

VisDrone 数据集泛化实验结果

4. 效果可视化

白天、夜间、遮挡、密集四场景对比：

• LMAD-YOLO不漏检、不误分，热力图更聚焦目标

DroneVehicle 数据集检测效果对比

VisDrone 数据集检测效果对比

PART/4

     总结与未来方向   

亮点总结

LMAD-YOLO 做到了小目标检测的三重平衡：

1. 边缘清晰：MultiEdgeEnhancer 抑制噪声、强化轮廓
2. 尺度鲁棒：MSPF+MDFPN 搞定多尺度与密集遮挡
3. 轻量高效：ADown 降参量不降精度，适合机载部署

未来优化方向

• 极端天气（雨 / 雾 / 雪）鲁棒性提升

• 超小目标感受场继续扩大

• 结合超分辨率与更强注意力机制

---

一句话总结：LMAD-YOLO 是目前无人机航拍车辆小目标检测的优质方案，精度高、重量轻、泛化强，工程落地价值拉满！

有相关需求的你可以联系我们！

END

转载请联系本公众号获得授权

计算机视觉研究院学习群等你加入！

ABOUT

计算机视觉研究院

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架，提供论文一键下载，并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！

往期推荐 

🔗

• YOLO-TLA：一种基于 YOLOv5 的高效轻量级小目标检测模型

• ViT-YOLO：基于Transformer的用于目标检测的YOLO算法

• SSMA-YOLO：一种轻量级的 YOLO 模型，具备增强的特征提取与融合能力，适用于无人机航拍的船舶图像检测

• LUD-YOLO：一种用于无人机的新型轻量级目标检测网络

• Gold-YOLO：基于聚合与分配机制的高效目标检测器

• Drone-YOLO：一种有效的无人机图像目标检测

• 「无人机+AI」“空中城管”

• 无人机+AI：光伏巡检自动化解决方案

• 无人机视角下多类别船舶检测及数量统计
  

• 机场项目：解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题

• 2PCNet：昼夜无监督域自适应目标检测（附原代码）

• YOLO-S：小目标检测的轻量级、精确的类YOLO网络

• 大改Yolo框架 |  能源消耗极低的目标检测新框架（附论文下载）

• 改进的检测算法：用于高分辨率光学遥感图像目标检测