PM-YOLO:多尺度融合的无人机小目标检测算法OA

针对无人机航拍图像中小目标尺度微小、特征表征能力不足以及背景干扰严重等问题,提出一种基于YOLOv11n的改进模型PM-YOLO。设计渐进式多尺度特征增强模块(CSP-PMCB),通过引入串行递进的多尺度通道分流与自适应调节机制,实现关键特征的逐层筛选与特征判别性增强;在颈部网络引入多尺度特征自适应融合模块(MFAB),采用三分支并行差异化建模与双阶段分层引导融合策略,协同互补局部细节、全局语义与跨层先验信息,缓解多尺度特征间的语义冲突与背景信息冗余;重构检测头结构,新增P2小目标检测头并移除冗余的P5大目标检测头,强化模型对小目标与中等目标的感知与定位能力;为提升边界框回归精度,设计CGM-IoU损失函数,通过引入几何约束提升有效重叠区域的定位精度,并在预测框与真实框无重叠阶段提供连续距离补偿,优化回归过程稳定性与收敛效率。在VisDrone2019无人机航拍数据集上的实验结果表明,相较于基线模型,PM-YOLO的精确率、召回率、mAP50和mAP50-95分别提升7.1、7.1、8.8和5.8个百分点,验证了所提方法在复杂无人机航拍场景下对小目标检测任务的有效性与鲁棒性。