告别“消失的小目标”：航拍图像检测新框架，精度飙升25.7%的秘诀

在人工智能迅猛发展的今天，目标检测作为机器视觉的核心任务，已经在自动驾驶、安防监控、工业质检等领域发挥着关键作用。然而，当我们把目光投向广阔的天空，面对航拍图像中密密麻麻的小目标时，传统检测方法却显得力不从心。

最近发表的论文《Enhancing Small Object Detection with YOLO: A Novel Framework for Improved Accuracy and Efficiency》 提出了一套全新框架，将航拍图像小目标检测的 mAP_0.5:0.95 精度从基线 YOLOv5L 的 35.5% 大幅提升至 61.2%！

图片1.png

论文链接：https://arxiv.org/pdf/2512.07379

航拍图像检测的独特挑战

航拍图像与普通地面图像有着本质区别，这决定了传统检测方法在这里的局限性：

目标尺寸极小：在 1920×1080 到 3840×2160 的高分辨率图像中，超过 31.25% 的目标尺寸小于 32×32 像素，经过网络输入尺寸调整后，这些小目标几乎“消失”在特征图中。

• 分布极不均匀：目标在图像中呈“扎堆”分布，有的区域密密麻麻，有的区域空空如也，导致计算资源分配不合理。
• 尺度多样性：同一图像中既有飞机这样的大目标，也有行人般的小目标，尺度跨度极大。
• 密集与重叠：城市交通、人群聚集等场景中，目标高度密集且相互遮挡，增加了识别难度。

图片2.png

现有方法的局限性分析

研究团队首先对当前主流方法进行了全面评估：

• SAHI框架：通过滑动窗口裁剪图像，虽然精度有所提升，但推理速度从 30 FPS 骤降至 18 FPS，实时性大打折扣。
• CZDet方法：基于聚类识别密集区域，但在训练阶段引入超分辨率模块后，精度反而从 50.5% 降至 45.2%，训练时间也显著增加。
• SW-YOLO基线：作为最先进的航拍检测方法之一，虽然表现较好，但仍有巨大提升空间。

创新框架：三位一体架构优化

根据所进行的调查，针对本研究的两大主要挑战——小目标尺寸和大尺度图像——的解决方案可归纳如下。尽管本研究最初分别审视了应对各挑战的解决方案，但最终提出的框架和方法受到整合解决这两个挑战的方案的启发。

图片3.png

研究团队以 SW-YOLO 为基础，进行了三个维度的深度改造，形成了全新的检测框架：

• 多分辨率检测头设计

针对小目标“消失”问题，研究团队在传统 YOLO 的三个检测头（P3、P4、P5）基础上，增加了一个更高分辨率的检测头。这个额外的检测头专门负责捕捉更细微的特征，确保小目标在特征图中“有迹可循”。

图片4.png

通过实验验证，仅此一项改进就显著提升了小目标的召回率，特别是在密集小目标区域。

• CBAM注意力机制的精妙集成

注意力机制在目标检测中并不新鲜，但如何集成却大有讲究。研究团队创新性地将 CBAM 注意力模块置于骨干网络末端，而不是常见的颈部网络位置。

图片5.png

这样设计的关键在于：骨干网络末端的特征图尺寸较小（20×20），在此处引入注意力机制，可以在保留关键空间和通道信息的同时，最小化计算开销。

图片6.png

CBAM 模块由两部分组成：

• 通道注意力模块：为每个通道分配不同权重，突出重要特征
• 空间注意力模块：聚焦关键空间区域，提升定位精度
• Involution块替代传统卷积

传统的卷积操作使用固定的滤波器，无法适应不同空间位置的特征变化。研究团队引入了 Involution 块，它能生成动态的空间特定滤波器，为每个像素位置“量身定制”卷积核。

这种设计使网络能够更好地保留位置特定的信息，特别适合航拍图像中目标分布不均匀的特点。

图片7.png

在involution块内部，每个像素生成一个唯一的核，该核统一应用于所有通道。然后，该核通过卷积与输入特征图结合。最后，一个求和聚合步骤整合了相邻像素上提取的特征，保留了空间上下文并提高了检测精度。

总体而言，这些策略显著提升了YOLOv5的小目标检测能力。通过减少计算负载和提高检测精度，这些增强使YOLOv5更适合对速度和可靠性都有高要求的工业应用。

新添加的块已整合到图中并以红色高亮显示。

图片8.png

优化策略：多管齐下的性能提升

除了架构创新，研究团队在训练和推理策略上也下足了功夫：

智能切片策略：在推理阶段，同时处理完整图像和分割切片，既保证大目标的全局上下文，又增强小目标的局部细节。通过优化切片尺寸和重叠区域，找到速度与精度的最佳平衡点。

图片9.png

后处理优化：对比了多种边界框合并方法，包括 NMS、LS-NMS、NMM 等，最终确定了最适用于航拍场景的后处理流程。

损失函数调整：虽然将 VIOU 替换为SIOU并未带来精度提升，但这一探索过程为后续优化指明了方向。

实验结果：超越期待的检测性能

在 VisDrone2019 数据集上的实验结果表明，新框架取得了显著突破：

精度大幅提升：与基线 YOLOv5L 的 35.5% mAP 相比，新框架达到了 61.2%，甚至超越了另一经典方法 CZDet的58.36%。

图片10.png

速度保持优势：在精度大幅提升的同时，新框架保持了25 FPS 的推理速度，仅比原始 SW-YOLO 降低了 3.5 FPS，完全满足实际应用需求。

图片11.png

模块贡献分析：通过消融实验发现，CBAM 和 Involution 块虽然单独使用未提升精度，但分别使处理速度提升了 3.78 和 2.68 FPS。三者结合则实现了精度与速度的双赢。

结论

本论文提出了一种针对大规模图像中小目标检测的框架，旨在有效平衡推理速度与精度。该方法采用图像切片技术，通过生成高分辨率图像片段来改进小目标检测。该技术在训练阶段（用于扩充数据集）和推理阶段（用于提高检测精度）均进行了评估。测试了多种后处理策略来整合这些图像切片，其中IOS和NMS方法取得了最有利的结果。此外，将完整图像与分割切片结合使用显著提高了精度，特别是对于较大目标。

在模型选择方面，基于在VisDrone2019数据集上评估的最新进展，选择了一个高性能基准模型。为了增强小目标检测，在推理和训练阶段都集成了超分辨率网络，以提高包含密集小目标的图像的清晰度。其他改进包括将CBAM集成到骨干网络中，以最小的计算开销聚焦于关键的空间和通道特征。在颈部模块中使用Involution块进一步增强了特征图质量，同时增加了一个额外的检测头以利用更高分辨率的特征图，最终提升了小目标检测性能。