DARE-YOLO：一种适用于无人机场景的小型目标检测网络，通过特征增强和动态多尺度融合技术实现目标检测

《Signal Processing: Image Communication》：DARE-YOLO: A small object detection network for UAV scenarios via feature enhancement and dynamic multi-scale fusion

　　

Xinyu Hu|Chunhui Hou|Rui Zhai

河南大学软件学院，开封，475000，中国

摘要

无人机（UAV）在安全监控、交通监测和精准农业等领域得到了广泛应用，这引发了人们对空中目标检测的兴趣。然而，现有的无人机检测方法在处理小目标时存在困难，空间表示不够细致，多尺度语义融合能力有限，导致在密集、杂乱和低空场景下的性能下降。为了解决这些问题，我们提出了DARE-YOLO，这是一个基于YOLOv11n的新型检测框架，旨在增强细节表示能力、恢复小目标细节并实现自适应的多尺度语义融合。本工作的主要贡献如下：首先，我们设计了双注意力增强特征模块（DAAFM），通过整合空间和通道注意力来提高浅层特征的区分度和定位精度；其次，我们提出了动态分辨率双模式上采样（DRDU）模块，该模块结合了分辨率感知和双重门控机制，以恢复结构信息并改善空间对齐；第三，我们构建了基于融合的多尺度语义特征金字塔网络（FMSFPN），通过注意力引导的聚合和自适应重参数化来加强跨尺度语义一致性。我们在三个具有代表性的无人机小目标检测数据集（VisDrone2019、UAVDT和SODA-A）上进行了广泛的比较和消融实验。实验结果表明，DARE-YOLO在VisDrone2019数据集上的mAP₅₀提高了9.2%，在UAVDT数据集上提高了7.3%，证明了其在无人机目标检测任务中的有效性和优越性。

引言

由于移动性、低部署成本和广泛覆盖范围，无人机（UAV）在农业监测[1]、生态观测[2]、军事侦察[3]和灾害应急响应[4]等领域变得越来越重要。在这些应用中，目标检测和跟踪技术[5]、[6]、[7]、[8]是自主信息获取的技术基础。然而，如图1所示，空中视角存在固有的限制：无人机图像中的目标通常具有微小的规模，并且在杂乱背景中分布密集。这些因素阻碍了特征的鲁棒表示和精确的空间定位。因此，在复杂的无人机环境中提高小目标的检测精度仍然是一个关键且艰巨的任务。

当前在无人机目标检测中的研究主要采用通用目标检测的范式。根据它们的检测流程，这些方法通常被分为两阶段和单阶段检测器。在无人机相关任务中，如Faster R-CNN[9]、Mask R-CNN[10]和Cascade R-CNN[11]等两阶段检测器经常使用特征金字塔网络（FPNs）[12]来增强多尺度特征表示，从而提高精度。相反，单阶段检测器如YOLO系列[13]、[14]、[15]、[16]、[17]、RetinaNet[18]和CenterNet[19]主要部署在无人机平台上，因为它们具有高推理效率和适用于资源受限的硬件。最近，基于Transformer的架构如DETR[20]和Deformable DETR[21]也被引入到无人机任务中，利用它们进行全局上下文建模的能力。然而，这些方法在捕捉局部细节时往往存在局限性，并且在处理小而密集的目标时会产生较大的计算开销。因此，YOLO系列仍然是无人机视觉感知中的主导解决方案，因为它在检测精度、推理速度和部署灵活性之间取得了最佳的平衡。

在基于无人机的视觉感知任务中，准确检测微小目标是一个关键的研究前沿。现有的小目标检测优化策略大致可以分为三类：上下文信息建模、高分辨率细节恢复和多尺度特征融合。上下文信息建模[22]、[23]通过注意力机制利用环境线索来抑制背景干扰；然而，这些方法通常会产生较大的计算开销，并且在保持极小目标的细粒度局部特征方面能力有限。高分辨率细节恢复方法[24]、[25]尝试通过使用先进的采样操作或超分辨率技术来重建下采样过程中丢失的信息，但这些方法容易在复杂场景中放大背景噪声，从而增加误报的风险。多尺度特征融合策略[26]、[27]从不同网络层次聚合语义表示，以解决严重的尺度变化问题；然而，简单的融合方案经常忽略跨尺度空间对齐和语义一致性，这限制了它们在目标分布密集的场景中的有效性。至关重要的是，这些策略之间的潜在协同作用尚未得到充分探索，它们的直接集成往往导致特征冗余或计算负担增加，只有微小的性能提升。

受到现有方法局限性的启发，我们提出了DARE-YOLO，这是一个系统地重新配置模型架构的新的检测框架。首先，我们设计了一个强大的特征表示模块，以增强小目标特征在复杂背景干扰中的显著性，从而提高多尺度语义建模的一致性和区分性。其次，我们制定了一个高效的空间采样和重建策略，以解决传统上采样固有的细节丢失和空间不对齐问题，实现精确的细节恢复和特征对齐。第三，我们引入了一种强大的、具有区分性的特征融合机制，以减轻由于语义冲突和冗余在目标密集堆叠场景中导致的性能下降。通过这种协同设计，DARE-YOLO有效地对低空无人机图像中的小目标的多尺度语义信息进行了建模，显著提高了在复杂环境中的检测鲁棒性和性能。

我们的主要贡献总结如下：

• •
  我们提出了双注意力增强特征模块（DAAFM），该模块结合了通道和空间注意力机制以及针对不同阶段的架构变体，以实现上下文感知的特征重新校准。这种设计系统地增强了模型捕获上下文线索和在复杂背景中检测小目标的能力。
• •
  我们引入了动态分辨率双模式上采样（DRDU）模块，该模块结合了分辨率注意力和两种可选的门控子模块，以动态地建模特征空间采样。这种方法有效增强了细节恢复和空间对齐，从而改善了无人机目标的感知和重建。
• •
  我们设计了基于融合的多尺度语义特征金字塔网络（FMSFPN），从多尺度特征融合和语义建模的角度系统地优化了YOLOv11n架构，进一步提高了模型在小目标、密集目标和复杂背景等挑战性场景中的感知能力和表示精度。

本文的其余部分组织如下：第2节回顾了无人机航空图像目标检测的相关工作，并讨论了现有的挑战。第3节介绍了集成到DARE-YOLO网络中的具体改进。第4节展示了数据集、实现细节和实验结果的比较分析，包括消融研究。最后，第5节总结了本研究的结论。

章节片段

小目标检测技术

当前提高小目标检测性能的方法主要围绕三个战略范式：上下文信息建模、高分辨率细节恢复和多尺度特征融合。在上下文信息建模领域，RemDet[22]优化了基于无人机的检测的结构设计，以改善环境上下文的提取。GMC[23]实现了一个多阶段机制，以学习和利用不同检测级别的上下文线索。

网络架构

为了解决在复杂航空场景中检测小目标的挑战，我们提出了DARE-YOLO，这是一个基于特征感知增强和动态多尺度融合的新框架，建立在YOLOv11n的基础上。该模型遵循三阶段设计范式：细粒度感知建模、多尺度语义增强和区域感知重建，每个阶段都旨在提高检测的鲁棒性和精度。本节介绍了整体架构，随后是深入的描述

数据集

本节介绍了实验中使用的数据集、评估指标和参数设置。我们采用了三个公开可用的无人机目标检测数据集：VisDrone2019[54]、UAVDT[55]和SODA-A[56]，这些数据集涵盖了低空和高空航空图像等典型场景。这些数据集的特点是小目标规模、高密度和复杂背景，有效地展示了DARE-YOLO模型在

结论

为了解决小目标检测不足、特征表示能力有限和无人机图像中尺度变化大的问题，本文提出了一种改进的检测网络DARE-YOLO。该网络整合了三个核心模块：DAAFM、DRDU和FMSFPN。每个模块分别旨在促进浅层感知增强、语义上下文建模和区域引导的特征融合。具体来说，这些模块强化了结构

CRediT作者贡献声明

Xinyu Hu：写作——审稿与编辑，原始草稿撰写，可视化，方法论研究，调查。Chunhui Hou：验证，调查，概念化。Rui Zhai：验证，监督。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。