基于多阶段特征增强的轻量化YOLO模型（MFEL-YOLO）在无人机航拍小目标检测中的创新应用

为解决无人机航拍图像中小目标检测精度低、特征信息易丢失等问题，研究人员提出多阶段特征增强轻量化YOLO模型（MFEL-YOLO）。通过引入混合C2F模块（HE-C2F）、高效路径聚合网络（E-PAN）和上下文增强检测头（CE-Head），显著提升小目标特征提取与分类能力。实验表明，该模型在VisDrone2019和AITOD数据集上性能优于主流检测器，且参数量更小，为无人机应用提供高效解决方案。

　　

无人机航拍技术近年来在农业监测、交通监管等领域广泛应用，但高分辨率图像中的小目标检测仍是难题。目标尺度差异大、背景干扰严重，导致传统检测模型如YOLO系列难以兼顾精度与效率。针对这一瓶颈，研究人员提出多阶段特征增强轻量化YOLO模型（MFEL-YOLO），通过三阶段优化实现突破：特征提取阶段引入混合C2F模块（HE-C2F）和多分支特征融合模型（MFFM），解决小目标细节丢失问题；跨层融合阶段设计高效路径聚合网络（E-PAN），利用先验自适应策略提升特征利用率；检测阶段采用上下文增强检测头（CE-Head），通过多尺度卷积捕获上下文信息提升分类准确性。实验验证其在VisDrone2019和AITOD数据集上性能优越，且模型参数量更小。

关键技术包括：1）基于变形卷积v4（DCNv4）的自适应提取单元（AEU）动态调整感受野；2）分组多尺度特征聚焦单元（GMFF）增强特征相关性；3）多分支并行架构（MFFM）保留小目标细节；4）先验驱动的E-PAN融合策略；5）CE-Head的多尺度上下文建模。

Related work
研究指出，现有YOLO改进方案如CA-Trans模块和场景上下文引导融合模块（SCGM）虽提升小目标检测能力，但存在参数膨胀或数据依赖性强等问题。

Proposed method
MFEL-YOLO的HE-C2F模块通过AEU和GMFF协同工作，克服固定感受野限制；MFFM通过分支互补融合保留细节；E-PAN采用注意力机制动态优化特征图；CE-Head利用多尺度卷积增强背景判别力。

Experiments
在VisDrone2019和AITOD数据集上，MFEL-YOLO的mAP分别达到42.1%和35.7%，参数量仅7.8M，显著优于YOLOv5s和YOLOv8n。消融实验证实各模块贡献：E-PAN使小目标召回率提升6.2%，CE-Head降低误检率12.3%。

Conclusion
该研究通过三阶段特征优化，首次实现无人机航拍场景下轻量化与小目标检测性能的平衡。HE-C2F和MFFM的创新设计为小目标特征提取提供新思路，E-PAN和CE-Head的通用性可扩展至其他检测任务。论文发表于《Expert Systems with Applications》，代码已开源。

CRediT authorship contribution statement
第一作者Ting Hou完成核心算法设计与实验，通讯作者Chengcai Leng负责理论指导与资源协调，团队协作体现产学研结合特色。

Declaration of competing interest
作者声明无利益冲突，研究得到国家自然科学基金支持。