YOLOv改进 | 两个轻量级FCM和MKP模块，FBRT-YOLOv11助力无人机航拍任务VisDrone、UAVDT和AI-TOD

YOLOv改进 | 两个轻量级FCM和MKP模块，FBRT-YOLOv11助力无人机航拍任务VisDrone、UAVDT和AI-TOD

一、引言

在无人机航拍目标检测领域，由于无人机飞行高度变化大、拍摄视角复杂（如俯视、斜视）、目标尺寸差异显著（从微小行人到大型车辆）以及背景干扰多（如云层、建筑物遮挡），传统目标检测模型（如YOLOv11）面临严峻挑战。尤其在VisDrone、UAVDT和AI-TOD等公开数据集中，小目标（如行人、车辆）占比高、特征信息弱，且背景与目标对比度低，导致检测精度和实时性难以兼顾。

为应对这些挑战，本文提出FBRT-YOLOv11改进方案，通过集成两个轻量级模块——FCM（Feature Calibration Module，特征校准模块）和MKP（Multi-scale Key-point Perception，多尺度关键点感知模块），针对性地增强模型对小目标特征的捕捉能力和多尺度上下文信息的利用能力。FBRT-YOLOv11在保持YOLOv11高效单阶段检测优势的同时，显著提升了无人机航拍场景下的检测精度和鲁棒性，尤其适用于VisDrone、UAVDT和AI-TOD等典型无人机航拍数据集。

二、技术背景

1. 无人机航拍目标检测的挑战

无人机航拍图像具有以下典型特征，对目标检测模型提出特殊要求：

<