改进YOLOv11n的无人机建筑外墙多尺度目标检测方法

摘要

针对无人机目标检测中多尺度特征不足、小目标漏检及算力受限等问题，提出基于YOLOv11n的高效轻量化改进算法。提出C3k2-S模块，融合C3k2的多尺度特征提取与StarBlock的高维映射能力，强化特征建模。采用ADown(adaptive downsampling)机制替代传统下采样，通过自适应步幅与池化策略优化特征表达，降低计算量并提升小目标敏感性。提出轻量化高级筛选路径聚合网络-内容感知特征重组(high-level screening path aggregation network-content-aware reassembly of features, HSPAN-C)结构，结合多尺度特征融合与空间金字塔注意力增强检测精度。构建量级共享细节增强卷积检测头(lightweight spatial-depth enhanced cross-detection, LSDECD),利用共享卷积与群归一化减少参数量。结果表明：改进后模型的mAP@0.5和mAP0.5@:0.95分别上升3.4%和3.1%,参数量和计算量分别降低46.1%和22.2%,满足复杂场景下无人机的检测需求。

关键词

改进YOLOv11n / 轻量化 / 改进C3k2模块 / HSPAN-C