控制与决策

作者：丁浩晗,贺万程,万俊,沈易航,崔晓晖

单位：江南大学 未来食品科学中心，江苏 无锡 214122;江南大学 人工智能与计算机学院，江苏 无锡 214122,,江南大学 人工智能与计算机学院，江苏 无锡 214122,,江南大学 人工智能与计算机学院，江苏 无锡 214122,,江南大学 人工智能与计算机学院，江苏 无锡 214122,,武汉大学 国家网络安全学院，武汉 430072,

关键词：深度学习;异构调制器;跨层级特征融合;YOLO;计算机视觉;航拍微小目标检测

基金：“十四五”国家重点研发计划重点专项项目(2024YFE0199500, 2022YFF1101100).

针对航拍图像中目标尺寸微小、纹理特征模糊以及分布密集带来的检测难题, 提出一种基于改进YOLO架构的DI-YOLO检测模型. 当前主流检测方法在微小目标结构信息保留以及多尺度特征提取和融合方面存在明显不足. 鉴于此, 构建内容感知特征增强模块(CARAFE), 通过动态特征选择机制实现跨层级特征的自适应融合; 同时, 设计并行异构特征调制模块(PHFM), 有效协调全局上下文建模与局部细节特征的关联性; 并引入形状感知交并比损失函数(Shape-IoU)和微小目标检测头, 进一步提升边界框回归精度和微小目标检测能力. 在VisDrone2019和DOTAv1.5基准数据集上的对比实验结果表明, 所提出模型较基准模型YOLOv10取得显著提升: 在VisDrone2019数据集上, mAP@0.5和mAP@0.5 : 0.95指标分别提升了12.7%和13.7%; 在DOTAv1.5数据集上, 对应提升了12.1%和10.2%, 且在计算效率方面保持优势. 消融实验进一步验证了各模块的有效性, 为航拍场景下的高精度目标检测提供了新的解决方案.

来源：2025年第10期

《控制与决策》期刊编辑部

查看控制与决策杂志2025年第10期