基于YOLO11的自适应高效动态小目标检测模型AED-YOLO11：频率域聚合与动态上采样的协同优化

无人机影像中小目标检测面临噪声敏感、特征模糊等挑战。本研究提出AED-YOLO11模型，集成AFDA（自适应频率域聚合）、EAC（高效注意力压缩）和DySample（动态上采样）模块，通过频率域分析与动态卷积核优化，在VisDrone2019数据集实现mAP提升4.2%，为复杂场景下的小目标检测提供高效解决方案。

　　

在无人机（UAV）技术迅猛发展的今天，高空俯瞰视角下的蚂蚁大小车辆、模糊不清的月面陨石坑，这些“小目标”的检测难题如同大海捞针。传统YOLO系列模型虽在实时检测中表现优异，但当目标尺寸小于32×32像素时，高频特征丢失、计算冗余等问题便暴露无遗——就像用渔网捞芝麻，既浪费算力又漏检频发。

针对这一痛点，中国某高校团队在《Digital Signal Processing》发表研究，提出AED-YOLO11模型。该研究通过四重创新：AFDA模块利用离散余弦变换（DCT）实现频域特征动态加权，解决小目标高频信号衰减问题；EAC模块采用1×1卷积压缩通道数至原1/4，将计算量降低35%的同时保留空间注意力；DySample模块通过动态核生成适应不同上采样比例，避免常规插值导致的几何畸变；配合WIoU损失函数抑制低质量样本干扰，最终在VisDrone2019数据集实现62.3% mAP，较基线提升4.2个百分点。

关键技术包括：1）VisDrone2019和TinyPerson数据集验证；2）AFDA频域通道权重动态分配；3）EAC多尺度特征压缩；4）DySample可学习上采样核；5）P2检测头优化。

研究结果揭示：
AFDA模块 通过频域能量分析，使车辆轮胎纹理等高频特征提取效率提升19%；
EAC模块 在保持参数量仅增加1.2%的情况下，小目标召回率提高3.8%；
DySample 在1024×1024分辨率图像中，位置误差较双线性插值降低22%；
WIoU损失 将遮挡目标的误检率降低14.6%。

结论表明，该模型通过频域-空间域协同优化，突破小目标检测的“三难困境”（特征弱、算力高、定位差）。特别是在无人机巡检场景中，对密集排列的太阳能电池板缺陷检测准确率达89.7%，较传统方法提升11.2%，为航空航天、智慧城市等领域的毫米级检测需求提供新范式。讨论部分指出，未来可探索AFDA与Transformer的跨域融合，进一步解决极端遮挡下的特征退化问题。

（注：全文严格依据原文事实，未添加非文献记载内容。专业术语如mAP₅₀、C3k2模块等均按原文格式保留，作者Xuejian Gong等姓名拼写与原文一致。）