来源：市场资讯
（来源：计算机视觉研究院）
计算机视觉研究院
公众号ID｜计算机视觉研究院
学习群｜扫码在主页获取加入方式
https://pmc.ncbi.nlm.nih.gov/articles/PMC12656552/pdf/sensors-25-07088.pdf
计算机视觉研究院专栏
Column of Computer Vision Institute
本文提出的RMH-YOLO模型，在保持轻量高效的同时，大幅提升航拍小目标检测精度。
PART/1
痛点
无人机航拍视角下的小目标（通常＜32×32 像素）检测，面临四大核心挑战：
- 像素极少：目标特征微弱，传统模型难以提取有效信息
- 尺度剧变：飞行高度、角度动态变化，目标大小跨度大
- 背景复杂：植被、建筑、道路等干扰强，目标易被淹没
- 光照多变：强光、阴影、弱光环境大幅降低特征辨识度
现有 YOLO 系列模型在这类场景下，漏检、误检问题突出，且难以兼顾精度与嵌入式部署的轻量化需求。
PART/2
创新
RMH-YOLO 以 YOLOv8n 为基线，通过4 项核心改进，专为无人机航拍小目标优化，实现特征增强、高效融合、轻量推理、精准定位。
【RMH-YOLO 模型结构】
精细特征模块 RFM融合通道 + 空间双注意力机制，嵌入骨干网络，强化小目标弱特征表达，保留上下文信息，解决低分辨率下特征丢失问题。
多尺度聚焦扩散 MFFD 网络替代传统 PAFPN，通过聚焦 - 扩散双路径，保留浅层高分辨率空间细节，将细粒度信息传递到深层语义特征，杜绝小目标特征稀释。
轻量 CS-Head 检测头采用参数共享卷积，去除冗余计算，适配无人机嵌入式平台，在不损失检测能力的前提下，大幅降低参数量与计算量。
优化损失函数组合NWD 归一化瓦瑟斯坦距离与InnerCIoU，解决小目标框回归不稳定、定位不准的问题，提升复杂场景下的框精度。
PART/3
实验
实验验证：精度飙升，轻量高效
团队在VisDrone2019（无人机主流检测数据集）与TinyPerson（超小目标数据集）上完成全面验证，结果亮眼：
1. 核心指标对比 YOLOv8n
【整体模块消融实验结果】
精度：53.0%（+8.8%）
召回率：40.4%（+7.4%）
mAP50：42.4%（+9.2%）
mAP50:95：25.7%（+6.4%）
参数量仅1.3M，计算量 16.7G FLOPs，极致轻量化
2. 完胜主流 YOLO 系列
【与 YOLO 系列模型对比】
RMH-YOLOv8n/v8s 在精度、召回、mAP 全维度超越 YOLOv8/10/11/12，同时参数量更低，兼顾性能与部署性。
3. 可视化效果：复杂场景稳准检测
【各场景检测结果对比】
复杂背景、远距离密集目标、低光 / 强光场景下，RMH-YOLO 漏检率远低于基线，小目标识别更稳定。
【模型注意力热力图对比】
热力图显示，模型能精准聚焦小目标区域，不受复杂背景、光照干扰，注意力分配更合理。
PART/4
总结
RMH-YOLO 实现了高精度 + 轻量型的完美平衡，完美适配无人机机载嵌入式部署，可广泛应用于：
城市交通巡检：行人、非机动车小目标精准识别
应急救援：复杂环境下人员、物资快速定位
安防监控：高空全域小目标实时监测
基建巡检：小型缺陷、隐患精准捕捉
该模型为无人机航拍小目标检测提供了全新解决方案，兼顾学术创新与工程落地价值，推动无人机视觉监测向更精准、更高效方向发展。
有相关需求的你可以联系我们！
热门跟贴