来源：期刊VIP网 时间：
作者：唐小煜;刘菲菲;罗杰豪;黄晓宁;
单位：华南师范大学数据科学与工程学院//行知书院;
摘要：针对无人机图像中小目标检测难度大、计算资源有限和实时性要求高的挑战，提出了一种轻量化的检测模型(DroneNet-Lite)。该模型基于YOLO11模型改进，主要包含3个创新模块：首先，引入P2小目标增强层，提升对小目标的特征提取能力；然后，为了降低计算复杂度，设计深度卷积空间金字塔池化模块(DWSPPF),采用深度卷积替代标准卷积；最后，为解决通道变化导致的特征丢失问题，构建通道融合瓶颈模块(CFB),通过通道变换机制融合高维特征和低维特征。在VisDrone2019-DET数据集上，将DroneNet-Lite模型与YOLOv8、YOLO11、TPH-YOLOv5等检测模型进行了对比实验，并针对DroneNet-Lite模型的各改进模块进行了消融实验。对比实验结果表明：与YOLOv8-n、YOLO11-n模型相比，参数量为1.9 M的DroneNet-Lite-n模型的mAP50值分别提升了2.2%、1.9%;参数量为7.0 M的DroneNet-Lite-s模型的mAP50值达到44.6%,超越TPH-YOLOv5-s等同类模型；参数量为16.9 M的DroneNet-Lite-m模型的mAP50值达到49.6%,比YOLO11-m模型提升3.1%且参数量减少16%。消融实验结果表明P2小目标增强层、DWSPPF模块和CFB模块均能有效提升检测性能：与YOLO11模型相比，引入P2小目标增强层使得模型的mAP50值提升了2.7%、参数量减少了25.3%,DWSPPF模块在精度略高的前提下使模型的参数量减少了8.4%,CFB模块使模型的mAP50值提升了0.2%;与单独引入P2小目标增强层、DWSPPF模块、CFB模块的模型相比，DroneNet-Lite模型的mAP50值分别提升了1.0%、2.9%、3.5%。综上可知DroneNet-Lite模型在保持轻量化的同时显著提升了小目标检测性能，为资源受限的嵌入式设备提供了高效的检测解决方案。
关键词：小目标检测;;无人机;;轻量级检测器
基金资助：广东省基础与应用基础研究基金项目(2024A1515012126)
