计算机工程与应用

作者：张红民, 冯雪, 陈清, 林强

单位：重庆理工大学 电气与电子工程学院，重庆 400054；

关键词：小目标检测,YOLOv11,特征融合,特征金字塔

基金：重庆市自然科学基金面上项目（cstc2021 jcyj-msxmX0525，CSTB2022NSCQ-MSX0786，CSTB2023NSCQ-MSX0911）。

针对无人机航拍图像中小目标因尺寸微小、背景复杂导致检测精度低的问题，提出一种改进YOLOv11的检测方法SDA-YOLO（selective dual-path aggregation YOLO）。设计交叉增强融合模块（cross-enhanced fusion module，CEFM）优化颈部特征融合过程，缓解小目标边界模糊与语义不一致问题，并有效抑制冗余背景干扰；构建异构选择性特征金字塔网络（heterogeneous selective feature pyramid network，HSFPN），实现更高效的多尺度特征交互与小目标边界特征增强，同时引入高分辨率检测层进一步提升对网络小目标的识别能力；提出动态对齐检测头（dynamic-aligned head，DA-Head），提升分类与回归任务在小目标区域的协同一致性，降低漏检与误检。实验结果表明，SDA-YOLO在VisDrone2019数据集上mAP@0.5和mAP@0.5：0.95分别达到52.5%和33.0%，较YOLOv11s分别提升14.3和10.2个百分点，AP-Small提升10.3个百分点；在DOTAv1.0与TinyPerson数据集上mAP@0.5分别提升2.1与6.2个百分点，较好地验证了改进方法的有效性与泛化性。

来源：2026年第4期

《计算机工程与应用》期刊编辑部

查看计算机工程与应用杂志2026年第4期