面向无人机目标检测的高效特征融合

无人机遥感图像的目标检测有几个绕不开的难点：图像质量不稳定、目标尺寸小、背景复杂，以及环境遮挡频繁。其中小目标只占据图像的很小一部分，准确检测尤其困难。现有多尺度特征融合方法通过聚合不同分辨率的特征，在一定程度上应对了这些挑战，但往往无法有效平衡小目标的分类与定位表现，作者把原因归结为特征表示不足和网络信息流不平衡。这份资料要回答的就是：能否从特征融合的层面同时改善定位精度与分类性能。材料把UAV检测的应用背景落在农业、灾害管理、军事监视和城市规划上，说明这是一个有明确落地压力的工程问题，而非单纯的基准刷分。

作者先梳理了现有深度学习检测路线的分野：以Faster R-CNN为代表的两阶段检测器精度高但推理偏慢，难以满足实时场景；YOLO系列这类单阶段检测器速度快，却因特征表示不足而在小目标上吃力；ViT、DETR等Transformer检测器擅长建模全局特征和大感受野，但处理高分辨率UAV图像时计算复杂度显著上升，小目标表现常不如基于CNN的方法。针对前述失衡，作者提出一个专门面向UAV检测的特征融合框架，可以嵌入已有的CNN架构。框架由融合下采样（FDS）、融合上采样（FUS）和融合多头自注意力（FMSA）三个模块组成：FDS在骨干网络中采集浅层特征，FUS采集更深层的特征，FMSA负责把这几处输出融合起来。混合上采样与下采样模块让不同网络深度的特征图能灵活调整到任意分辨率，从而支撑跨层连接与多尺度融合。

从机制上看，FDS的作用是增强细粒度特征表示，这对小目标的空间定位很关键，即便在复杂条件下也成立。FUS则负责聚合全局上下文信息，优化跨尺度特征的一致性，并增强杂乱场景下的分类鲁棒性。换句话说，两个方向分别对着定位和分类这两端用力，正对应摘要指出的那处失衡。材料在引言中还给出一个背景判断：网络越深，语义特征的增强往往伴随空间细节的退化；而YOLO-v10这类多尺度架构的检测头在平衡高分辨率与低分辨率特征方面能力有限，容易带来冗余结构、降低定位精度，小目标尤甚。这解释了为什么作者选择在跨层特征流动上做文章，而不是简单加深网络。

量化结果集中在一处：在两个公开UAV数据集上，把该框架集成进YOLO-v10后，平均精度（AP）相比基线YOLO-v10提升2个百分点，同时参数量保持不变。这个组合值得注意——精度收益不是靠模型规模膨胀换来的。材料没有给出各数据集的分项数字，也没有报告推理速度、召回率或消融实验的拆分结果，因此能确认的硬结论就是这一条对比。至于框架内部各模块各自贡献多少，材料只做了功能描述，没有给出可归因的数字。

2个百分点的AP提升叠加参数量不变，意味着在既有算力预算下可以换来更准的检测，这对受载荷和功耗约束的机载场景是有实际分量的收益。更值得琢磨的一点是（这是解读）：分类与定位的不平衡未必只能靠换骨干网络或堆参数来解决，从跨层特征流动入手做设计同样有空间。FDS与FUS的分工也提示了一种可复用的组织方式——先分别强化细粒度细节与全局上下文，再用注意力机制合并，而不是让单一尺度的特征图同时承担两种职责。当然，这一思路在材料中只在YOLO-v10这一个宿主模型上得到验证。

做UAV遥感检测、特别是小目标检测的研究者和工程人员，可以从这份资料里拿走一个可插拔的融合模块设计思路，以及一组参数量不变而AP提升2个百分点的对照结论。需要留意的边界也很清楚：验证只在两个公开UAV数据集上完成，对比对象只有YOLO-v10基线，材料未披露数据集名称、逐数据集结果、模块消融和速度指标；同时这份内容属于论文的摘要与引言部分，模块的具体实现细节与完整实验设置仍需回到原文核对。把它当作一条有明确适用条件的技术线索来读，比当作通用结论更稳妥。

Efficient Feature Fusion for UA V Object Detection Xudong Wang School of Computer Science East China Normal University Shanghai, China [email protected] Yaxin Peng Department of Mathematics & School of Future Technology Shanghai University Shanghai, China [email protected] Chaomin Shen School of Computer Science East China Normal University Shanghai, China [email protected] Abstract—Object detection in unmanned aerial vehicle (UA V) remote sensing images poses significant challenges due to unstable image quality, small object sizes, complex backgrounds, and environmental occlusions. Small objects, in particular, occupy small portions of images, making their accurate detection highly difficult. Existing multi-scale feature fusion methods address these challenges to some extent by aggregating features across different resolutions. However, they often fail to effectively