前言此前出了目标改进算法专栏但是对于应用于什么场景需要什么改进方法对应与自己的应用场景有效果并且多少改进点能发什么水平的文章为解决大家的困惑此系列文章旨在给大家解读最新目标检测算法论文帮助大家解答疑惑。一、摘要针对无人机航拍图像中目标尺度微小、遮挡密集、背景复杂以及光照不均等固有挑战所导致的YOLOv26模型小目标检测精度受限、深层语义特征易丢失的问题提出一种多尺度双路加权融合航拍小目标检测模型MDWF-YOLO。 首先在骨干网络中构建双路径下采样骨干网络于原生卷积下采样分支之外增设Haar小波下采样路径以缓解深 层网络中小目标特征的流失。其次设计轻量级混合局部与全局注意力Mixed Local and Global AttentionMLGA模 块以重构C3k2单元强化对关键区域的特征响应。再次提出自适应快速空间金字塔池化Adaptive Spatial Pyramid Pooling-FastASPPF模块通过可学习权重动态融合最大池化与平均池化有效保留小目标细节表征。在此基础上 构建加权路径聚合网络增设极小目标检测头并设计加权拼接模块实现骨干双路下采样各层级与颈部网络对应层 级特征的加权融合使网络能够自主学习不同来源特征的最优贡献系数。此外引入余弦衰减调度策略优化端到端 损失函数中一对多分支权重的衰减轨迹。为满足无人机机载平台对计算资源与存储空间的严苛限制进一步对 MDWF-YOLO实施递进式轻量化处理综合利用网络结构剪枝、可分离卷积下采样及幽灵瓶颈模块设计四个轻量 化变体版本v1–v4以在检测精度与推理效率之间获取灵活可选的平衡。在VisDrone2019数据集上的实验结果表 明与基线YOLOv26n相比v1模型在参数量降低51.8%、计算量仅为7.2 GFLOPs的条件下mAP50与mAP50:95分别 提升4.3与3.6个百分点v4模型则在保持mAP50:95与基线持平的同时参数量、计算量与模型大小分别大幅削减88.4%、 29.3%与76.6%计算量低至4.1 GFLOPs。所提方法在显著提升航拍小目标检测精度的同时为资源受限条件下的高效 部署提供了多档位可选解决方案。二、网络模型及其创新点改进后模型其一构建双路径下采样骨干网络(Dual-Path Downsampling Backbone Network, DPDBN)在原生卷 尽管YOLOv26n在通用数据集COCO上表现出色 但其在无人机专用数据集 VisDrone2019 上的性能却 显著下降mAP50:95 仅为 19.2%。这一性能落差主 要源于VisDrone2019 图像中含有大量小目标且普遍 存在遮挡与光照不均等复杂场景对模型的泛化能力 提出了更大挑战。为了提高其精确度提出一种基于 YOLOv26 的多尺度双路加权融合网络MDWF- YOLO。其结构如图2所示。 积下采样分支基础上新增Haar小波下采样路径缓解 深层网络中小目标特征丢失问题其二设计轻量级 混合局部与全局注意力Mixed Local and Global At tentionMLGA模块改进C3k2结构增强网络特征 提取能力其三提出自适应快速空间金字塔池化 Adaptive Spatial Pyramid Pooling-FastASPPF模 块替换原生 SPPF 模块通过自适应加权融合平均池 化与最大池化操作充分保留小目标细节特征其四 构建加权路径聚合网络Weighted Path Aggregation NetworkWPA-Net新增极小目标检测头并设计加 权拼接模块实现骨干双路径下采样各层级与颈部网 络各层级特征的加权融合使网络可自主学习不同层 级特征的贡献权重其五引入余弦衰减策略优化一 对多损失的衰减权重进一步提升模型对小目标的学 习能力与检测精度最后为了在检测精度与推理效 率之间获取灵活可选的平衡综合利用网络结构剪枝、 可分离卷积下采样及幽灵瓶颈模块实施递进式轻量化处理设计了四个轻量化变体版本v1–v4。三、数据集本研究选取由天津大学机器学习 与数据挖掘实验室的 AISKYEYE 团队收集和发布的 VisDrone2019 数据集进行实验。四、实验效果部分展示消融实验五、实验结论在 VisDrone2019 数据集上的系统实验表明 MDWF-YOLO 标准版在参数量仅小幅增加至 2.86M、 计算量为8.5 GFLOPs的条件下mAP50与mAP50:95 分别达37.6%与22.7%较基线YOLOv26n 分别提升 4.3 与 3.5 个百分点推理速度保持159 FPS。轻量化 变体MDWF-YOLOv2以0.86M参数量和6.5 GFLOPs 计算量取得37.5%的 mAP50 与 22.6%的 mAP50:95 在几乎无损精度的前提下将模型规模压缩至基线的 34.3%极致轻量化版本 MDWF-YOLOv4 参数量仅 0.29M降低88.4%计算量降至4.1 GFLOPs降低 29.3% mAP50:95 仍与基线持平推理速度提升至 179 FPS成为对比模型中速度最快者。与基于 YOLOv8、YOLOv11 及 YOLOv12 改进的复现算法对 比结果表明MDWF-YOLO 在精度-效率Pareto 前沿 上处于领先位置各改进模块在YOLOv26 基线之上 的增量贡献得到有效验证。跨数据集泛化实验进一步 证实MDWF-YOLO在UAVDT和TinyPerson两个差 异显著的公开数据集上均取得稳定的性能提升在 UAVDT 上 mAP50 达 31.3%较基线提升5.1 个百分 点召回率大幅提升13.6个百分点在TinyPerson极 小目标数据集上mAP50达23.4%较基线提升2.2个 百分点。轻量化版本 MDWF-YOLOv4 的检测精度在 泛化实验中以极低计算开销持续超越多数主流轻量级 基线展现出良好的鲁棒性与泛化能力。注论文原文出李方方雷鸣郭森海MDWF-YOLO:多尺度双路加权融合的航拍小目标检 测网络[J/OL]计算机工程与应用.