基于光照遮挡注意力机制的无人机小目标检测模型LAM-YOLO研究

本文推荐一种创新性无人机目标检测模型LAM-YOLO，通过光照遮挡注意力机制（LAM）整合通道/自注意力，结合改进的SIB-IoU损失函数和双辅助检测头设计，显著提升VisDrone2019数据集上小目标检测性能（mAP@0.5:0.95提升7.1%），有效解决无人机影像中目标尺度多变、遮挡密集及光照干扰等核心难题。

　　

亮点

1. 1.增强注意力机制：提出光照遮挡注意力模块（Lighting-Occlusion Attention Module, LAM），融合通道注意力、交叉注意力与自注意力机制，强化多尺度特征交互，显著提升复杂光照下小目标的特征捕获能力。
2. 2.优化回归损失：创新采用软交并比损失函数（Soft Intersection Bounding Box IoU, SIB-IoU），通过动态缩放因子生成多尺度辅助边界框，加速模型收敛并提升定位精度。
3. 3.辅助检测策略：在YOLOv8标准三检测头基础上，新增两个专用于极小目标的辅助检测头，有效应对无人机影像中目标尺寸剧烈变化的挑战。

方法架构
如图2所示，LAM-YOLO在骨干网络输出层嵌入LAM模块，通过Involution块增强跨层级特征交互，结合改进的SPPF（空间金字塔池化）结构实现多尺度信息融合。颈部网络采用双向特征金字塔（BiFPN）优化特征传递，最终通过五检测头架构输出预测结果。

实验验证
在VisDrone2019数据集上的对比实验表明：

• •LAM-YOLO的mAP@0.5达61.3%，较基线YOLOv8提升7.1%
• •SIB-IoU损失使训练收敛速度提升23%
• •新增检测头使小目标召回率提高12.4%

结论
LAM-YOLO为无人机场景下的目标检测提供了高效解决方案，其核心创新在于：通过仿生视觉的注意力机制处理光照遮挡问题，结合动态损失函数与多尺度检测架构，显著提升了复杂环境下小目标的检测鲁棒性。该框架为遥感监测、智慧农业等应用提供了技术支撑。