摘要
基于无人机的车辆检测在智能交通、城市安防和紧急救援领域具有重要的应用价值，是实现高空态势感知和动态监控的关键技术。然而，在该场景下，车辆目标通常存在尺寸小、分布密集和相互遮挡等问题，这会导致模型容易出现特征丢失、漏检和误检率高的情况。为了应对这些挑战，我们提出了一种名为小目标和遮挡检测法（SOD-YOLO）的车辆小目标和遮挡目标检测方法，该方法基于YOLOv13。本方法包括三个主要创新点。首先，我们设计了一种滑动窗口自注意力卷积结构，即小目标和遮挡检测卷积结构（SOD-C2f），该结构基于现有的滑动窗口自注意力（SWSA）结构，适用于提取小型车辆目标的特征。通过局部窗口内的自注意力机制，我们增强了小目标特征的细粒度表达能力，有效提升了模型对微小车辆目标的感知和定位能力。随后，我们集成了坐标注意力机制（CA），通过显式建模通道间依赖关系和空间位置信息，实现不同层级特征的精确语义对齐，显著增强了遮挡场景下的检测鲁棒性。最后，我们采用了空间到深度卷积（SPDConv）模块，该模块拆分空间维度并用非跨步卷积替代传统的跨步卷积和池化层。这种方法避免了下采样过程中细粒度特征的丢失，进一步保留了小型车辆目标的关键空间信息。实验结果表明，所提出的SOD-YOLO算法的精确率、召回率、平均mAP@0.5和mAP@0.5:0.95分别为77%、74.8%、80.9%和54.9%。与基准模型YOLOv13相比，这三项指标分别提升了3.6%、1.1%、3.6%和2.6%。综上所述，所提出的算法在检测小目标和遮挡车辆的任务中表现更优，能够更好地满足高空视角下车辆目标的精确检测需求。
