摘要
低空无人机交通目标检测面临诸多挑战，包括从空中视角看物体尺寸差异较大、远处交通参与者的像素比例极小、复杂的道路背景干扰、不稳定的光照条件，以及密集交通场景中的严重遮挡问题。为解决这些问题，本文提出了一种名为ACP2-YOLO的改进型检测框架，该框架基于YOLO11，旨在提升对车辆、行人及非机动交通参与者的检测能力。该框架主要有两项改进：首先，在网络中引入了轻量级的混合ACmix模块，该模块结合了卷积和自注意力机制，使模型能够同时捕捉局部详细特征与全局上下文关联，从而在复杂背景下增强特征表达能力；其次，在YOLO11原有的三级检测结构基础上增加了P2小型物体检测层，形成了四级P2–P5特征金字塔结构。通过让高分辨率的浅层特征直接参与物体预测，这一设计有效减少了深度下采样带来的空间信息损失，提升了对小型物体的识别能力。在VisDrone2019数据集上的实验表明，改进后的模型精确率为53.1%，召回率为41.1%，mAP@50值为42.9%，mAP@50–95值为26.3%，分别比基准模型YOLO11高出4.2%、4.2%、5.0%和3.6%。与主流YOLO系列检测器相比，该模型在整体精度、小型物体检测能力以及应对复杂场景的能力方面均更具优势，显示出其在基于无人机的交通监测、道路安全检查以及智能交通感知领域的应用潜力。
