摘要
在无人机（UAV）图像中检测小型目标面临着重大挑战，这些挑战源于像素表示能力有限、背景复杂以及特征区分度不足。虽然像YOLO这样的单阶段检测器在速度和精度之间提供了良好的折中，但它们在处理小型目标时，由于现有网络中多尺度特征融合过程中语义信息和空间信息之间的冲突，性能往往受到限制。为了解决这个问题，我们提出了LHA-YOLO，这是一个基于YOLO11的轻量级且高精度的网络。该网络基于两项核心创新：首先是轻量级特征提取模块（LFEM），它采用并行空间通道注意力机制来高效地提取具有区分度的跨维度特征，并且计算成本低；其次是分裂-征服传播路径（DCPP）策略。该策略将语义信息和空间信息的处理解耦并在各自的双向传播路径中分别进行优化。为了实现这一点，自上而下的路径利用通道注意力引导的语义聚合（CASA）模块来增强语义一致性；同时，自下而上的路径则采用空间注意力引导的细节聚合（SADA）模块来保持空间保真度。在VisDrone和UAVDT数据集上的广泛评估表明，LHA-YOLO在性能和效率之间取得了良好的平衡。在VisDrone数据集上，其mAP50从39.4%提高到了41.6%，mAP50–95从23.5%提高到了24.9%，优于YOLOv11；在UAVDT数据集上，mAP50从32.2%提高到了36.9%，mAP50–95从19.4%提高到了22.9%，同时将GFLOPs从21.3降低到了18.8。这些结果证实了我们的设计在实际无人机应用中的有效性。
