计算机工程与应用

作者：姚继林, 刘宏哲, 张铖, 路璐

单位：1.北京联合大学 北京市信息服务工程重点实验室，北京 100101；2.北京强强源起科技有限公司，北京 100101；3.北京安信创业信息科技发展有限公司，北京 100013；

关键词：无人机检测,多模态,小目标检测,特征融合,YOLO

基金：国家自然科学基金（62171042，U24A20331）；国家语委重点项目（ZDI145-110）；北京市重点科技项目（KZ202211417048）；北京市属高等学校高水平科研创新团队建设支持计划（BPHR20220121）；北京市自然科学基金（4232026，4242020）；北京联合大学学术研究项目（ZK20202514）。

针对无人机小目标检测在低光和复杂背景下精度低、误检率高的问题，单一模态检测方法难以取得理想效果。因此，提出了一种基于动态交互融合策略的小目标检测方法YOLOv8-DF。设计了双流特征提取网络，采用并行模式分别提取红外和可见光特征，并在Backbone部分引入感受野卷积（receptive field attention convolution，RFAConv），以增强模型的多尺度感知能力。为进一步捕捉全局上下文信息，提出了基于注意力机制的远程信息增强模块（remote information enhancement module，RIEM），并设计了动态特征交互模块（dynamic feature interaction module，DFIM），动态调整各模态优势信息权重，实现深度特征融合。实验结果表明，在DroneVehicle数据集上，YOLOv8-DF与单模态基准模型YOLOv8_RGB和YOLOv8_IR相比，mAP50分别提升了12.3和13.4个百分点，相较于PSFusion融合检测方法，mAP50提升了8.4个百分点，并在LLVIP公开数据集上进行了计算效率和泛化性实验，证明了所提出的方法具有较好的计算效率和泛化性能。

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