SOE-YOLO：面向光学遥感影像中小目标高效精确检测的方法(Small Object Enhanced-YOLO11)

《Frontiers in Remote Sensing》：SOE-YOLO: towards efficient and accurate small object detection in optical remote sensing imagery

　　

摘要：光学遥感影像中的小目标检测因严重的背景杂波、频繁漏检及现有模型计算开销大仍是一大难题。车辆、船舶等目标仅占极少像素，其细粒度细节在网络下采样过程中极易退化丢失。为此，研究人员提出SOE-YOLO（Small Object Enhanced-YOLO11），一种在精度与效率间取得最优平衡的新框架。研究人员提出非对称填充下采样（Asymmetric Padding Down-Sampling, APDS）模块以保留空间分辨率，提出C3k2-HFCE（High-Frequency Contrast Enhancement）块以增强高频对比度，引入上下文小目标注意力融合（Contextual Small-object Attention Fusion, CSAF）模块及维度感知选择性整合（Dimension-Aware Selective Integration, DASI）模块。这些组件共同有效弥合语义鸿沟、适应多方向目标并抑制复杂背景干扰。大量实验表明SOE-YOLO优越性明显：相比基线YOLO11n，模型在VEDAI、RSOD和NWPU VHR-10数据集上mAP50分别提升7.4%、1.9%和3.7%，达到67.8%、90.8%和89.4%；同时SOE-YOLO保持轻量化，参数量仅3.36×106（FP32下模型文件约6.8 MB），计算量10.8 GFLOPs，在计算效率与检测鲁棒性间建立了新的最优权衡。

论文解读：SOE-YOLO——面向光学遥感影像的小目标增强检测网络

一、研究背景与意义

光学遥感影像目标检测是计算机视觉与遥感技术的交叉领域，广泛应用于城市规划、国防侦察及交通监测。然而遥感影像中目标（如车辆、船舶）常呈极小像素区域（小于32×32像素），且伴随任意方向分布、复杂背景（云影、植被光谱相似）及大幅面高分辨率特性。现有基于卷积神经网络（CNN）及YOLO系列的一阶段检测器存在四个瓶颈：（1）标准对称下采样（步长卷积或池化）引起亚像素空间错位与边缘信息截断，深层级微小目标精细空间线索不可逆丢失；（2）CNN连续卷积具低通滤波效应，平滑掉小目标关键高频细节（边缘、局部对比度）；（3）传统多尺度融合缺乏维度感知动态自适应，难应对多方向大长宽比目标；（4）FPN/PANet简单拼接（Concat）造成语义鸿沟——浅层含高分辨率噪声、深层缺空间边界，使微弱小目标特征被背景淹没。针对上述问题，研究人员以YOLO11n为基线提出SOE-YOLO（Small Object Enhanced-YOLO11），发表于《Frontiers in Remote Sensing》，旨在以轻量化架构系统性解决小目标检测的空间错位、高频衰减、融合失配与语义鸿沟问题。

二、关键技术方法概述

研究人员以YOLO11n为基线，在Backbone中引入非对称填充下采样（APDS）替代标准步长卷积下采样，嵌入高频对比度增强（HFCE）模块形成C3k₂-HFCE瓶颈块，引入维度感知选择性整合（DASI）模块进行多尺度特征动态融合，在Neck中以上下文小目标注意力融合（CSAF）模块替换原始特征拼接操作。实验使用VEDAI（1210幅可见光/NIR航拍农田车辆）、RSOD（976幅Google Earth卫星多类目标）及NWPU VHR-10（800幅Google Earth/Vaihingen航拍十类目标）三个公开水平框（HBB）标注数据集，按标准划分训练/验证/测试集，输入尺寸512×512，SGD优化器训练300 epoch，采用Mosaic/Mixup等标准Ultralytics增强策略，以mAP₅₀、mAP_50:95、参数量（Params）、计算量（GFLOPs）及FPS为评价指标。

三、研究结果

3.1 消融实验（Ablation Experiment）

逐模块添加至YOLO11n基线分别在VEDAI上测试。单独引入APDS使mAP₅₀从60.4%升至62.7%（+2.3%），证明非对称填充缓解特征错位并保留多方向边缘；单独引入C3k₂-HFCE使mAP₅₀达62.4%（+2.0%），证实零参数固定权重中心-环绕（Center-Surround）滤波器可突出小目标高频响应；单独引入DASI使mAP₅₀达61.2%（+0.8%），说明维度感知门控融合保留小目标细节并利用高层语义；单独引入CSAF使mAP₅₀达62.4%（+2.0%），跨层通道关联与竞争空间Softmax有效抑制背景。全模块组合（SOE-YOLO）达mAP₅₀=67.8%（+7.4%）、mAP_50:95=39.8%（+4.4%），且模块间具超加性协同效应（APDS+HFCE+DASI交互增益+1.3%），验证了"保留(Preserve)–增强(Enhance)–融合(Fuse)–筛选(Select)"（PEFS）流水线的互补性。

3.2 对比实验（Comparative Experiments）

在VEDAI、RSOD、NWPU VHR-10上与SuperYOLO、YOLO-Drone、SP-YOLOv8、YOLO-TUF、OD-YOLO、YOLORemote、LAR-YOLOv8对比。SOE-YOLO参数量最少（3.357×10⁶），GFLOPs=10.8，FPS=72.4（RTX 2080Ti，batch=1）为最高。mAP₅₀分别为VEDAI 67.8%、RSOD 90.8%、NWPU VHR-10 89.4%，其中RSOD的mAP_50:95=63.8%为最高，VEDAI显著优于次优模型（+2.9% mAP₅₀）。帕累托前沿（Pareto Front）分析显示SOE-YOLO位于最优位置，在同等计算成本下精度最高，印证效率–精度最佳权衡适合边缘部署。

3.3 不同目标类别检测性能（Detection Performance on Different Object Categories）

RSOD数据集上SOE-YOLO各类别AP₅₀/AP₉₅均提升，过桥（Overpass）+6.4% AP₅₀，操场（Playground）+7.4% AP₉₅，总体mAP₅₀由88.9%升至90.8%。NWPU VHR-10上篮球场（Basketball court）+13.1% AP₅₀，港口（Harbor）+12.1% AP₉₅，车辆（Vehicle）+7.1% AP₅₀，总体mAP₅₀由85.7%升至89.4%，表明对小且具挑战性的类别提升尤为显著。

3.4 尺度特异性检测性能（Scale-specific Detection Performance）

按COCO尺度划分（小<32×32 px，中32×32~96×96 px，大>96×96 px）。VEDAI上小目标AP₅₀由50.2%升至59.0%（+8.8%），AP_50:95由25.5%升至31.2%（+5.7%）；RSOD小目标AP_50:95+5.4%；NWPU VHR-10小目标AP₅₀+6.5%。中大目标亦有适度提升（如DASI助益多方向大桥定位、CSAF抑制复杂背景），证实模块主要针对小目标设计但对全尺度有益。

3.5 可视化实验（Visualization Experiments）

Grad-CAM热力图示YOLO11n注意力弥散于跑道/停机坪背景，SOE-YOLO注意力紧密聚焦于每架航空器且背景近零激活，直观验证CSAF跨层语义重校准与竞争空间Softmax抑制背景 clutter效果。定性检测结果图显示SOE-YOLO减少误检（将背景/阴影误判为油罐或飞机）、降低漏检（识别YOLO11n未检出小船/车辆）并提高置信度与定位精度（过桥、操场边缘）。

四、讨论与结论总结

研究人员指出，由于连续步长下采样导致特征图映射回原图产生逾15.5像素累积位移（5层YOLO11n backbone），远超16×16像素小目标尺寸，传统对称padding是根本诱因；APDS通过四分支非对称填充卷积（PADConv：左上/右下/左下/右上）补偿方向偏移，从几何上校正感受野中心。HFCE引入零参数固定权重Difference-of-Gaussians（DoG）近似Center-Surround高通滤波器（∑W=0），在Res2Net式分层多尺度融合与双注意力（Channel Attention+Spatial Attention）下显式保留小目标高频成分，固定权重优于可学习变体（避免小样本过拟合）。DASI按通道分组并通过跨维全局平均池化–全连接–Sigmoid生成门控权重α_i动态调配浅层细节与深层语义比例。CSAF以跨通道相关矩阵做双向语义重校准（W_cross=a₁·a₂^T），空间Softmax强制概率分布使稀缺注意力仅分配给显著小目标，残差连接防高频衰减。四模块串列互补——无APDS则HFCE作用于错位特征、无HFCE则DASI融不可分弱信号、无DASI则CSAF处理语义失衡特征、无CSAF则背景淹没有效特征——构成PEFS设计哲学。

结论（Conclusion）： 研究人员提出SOE-YOLO（Small Object Enhanced-YOLO11），通过在骨干网引入APDS与C3k₂-HFCE、引入DASI、在颈部以CSAF取代原生拼接，系统性解决了光学遥感影像小目标检测的空间错位、高频衰减、语义鸿沟与背景干扰问题。在VEDAI、RSOD和NWPU VHR-10上mAP₅₀较YOLO11n分别提升7.4%、1.9%和3.7%，小目标（面积<32×32 px）AP₅₀提升最高达8.8%；模型仅3.36×10⁶参数、10.8 GFLOPs、72.4 FPS，实现精度与部署效率新最优权衡。未来工作将扩展至旋转框（Oriented Bounding Box, OBB）检测、跨域（SAR/红外）泛化及模型压缩（剪枝、知识蒸馏）以适应无人机端实时应用。