FBRT-YOLOv11:双轻量级模块优化无人机航拍目标检测
引言
在无人机航拍目标检测领域,由于飞行高度变化大、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。
技术背景
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:
首先,飞行高度变化导致目标尺度差异极大,同一场景中可能同时存在像素极小的行人与较大的车辆;其次,运动模糊与复杂背景干扰显著,云层、树木及建筑物边缘容易形成误检;此外,光照条件多变,阴影与逆光情况频发。这些特性使得传统模型难以在有限的计算资源下平衡精度与速度。
针对上述问题,我们需要一种既能保留细节又能快速响应的架构。FCM 模块旨在通过特征校准来抑制背景噪声,而 MKP 模块则专注于多尺度关键点的感知,两者结合能有效缓解小目标漏检问题。后续章节将详细展开这两个模块的设计思路及其在实验中的表现。

