摘要
在无人机航空摄影应用中，小目标检测至关重要。例如，它能够在搜索和救援行动中定位地面失踪人员，在交通监控中识别远处的车辆，以及在农田中检测早期害虫侵袭。然而，航空图像呈现出独特的挑战：由于无人机飞行高度较高，目标只占据很小的像素面积。再加上复杂的背景和稀疏的特征，小目标很容易被周围环境遮挡。为了解决这些问题，本文提出了基于YOLOv12n的EFPN-YOLO模型。首先，我们介绍了特征共享卷积（FSConv）模块，该模块通过共享卷积核和多尺度稀疏采样提取多尺度特征，且参数需求较低。其次，通过将可变形卷积与双通道注意力机制结合，我们开发了增强型双维校准（EDDC）模块，显著提高了空间特征建模能力和特征增强效果。最后，我们构建了RC-FPN架构，采用双向融合结构和对角线跨层跳过连接来最小化信息损失。同时，C3K2模块中的瓶颈结构被RepViTBlock替换，构建了C3k2_RVB模块，通过空间和通道混合的两阶段设计增强了多尺度特征表达能力。在VisDrone2019数据集上，该模型的mAP50从33.9%提高到了40.7%；在TinyPerson数据集上，从13.9%提高到了19.2%；在NVIDIA Jetson Orin Nano 8 GB超级平台上，该模型的帧率（FPS）达到了15。实验表明，EFPN-YOLO在小目标检测方面表现出色，并具有重要的实际价值。
