前言
此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。
一、摘要
针对无人机航拍图像中目标尺度微小、遮挡密集、背景复杂以及光照不均等固有挑战所导致的YOLOv26模型小目标检测精度受限、深层语义特征易丢失的问题，提出一种多尺度双路加权融合航拍小目标检测模型MDWF-YOLO。 首先，在骨干网络中构建双路径下采样骨干网络，于原生卷积下采样分支之外增设Haar小波下采样路径，以缓解深 层网络中小目标特征的流失。其次，设计轻量级混合局部与全局注意力（Mixed Local and Global Attention，MLGA）模 块以重构C3k2单元，强化对关键区域的特征响应。再次，提出自适应快速空间金字塔池化（Adaptive Spatial Pyramid Pooling-Fast，ASPPF）模块，通过可学习权重动态融合最大池化与平均池化，有效保留小目标细节表征。在此基础上 构建加权路径聚合网络，增设极小目标检测头并设计加权拼接模块，实现骨干双路下采样各层级与颈部网络对应层 级特征的加权融合，使网络能够自主学习不同来源特征的最优贡献系数。此外，引入余弦衰减调度策略优化端到端 损失函数中一对多分支权重的衰减轨迹。为满足无人机机载平台对计算资源与存储空间的严苛限制，进一步对 MDWF-YOLO实施递进式轻量化处理，综合利用网络结构剪枝、可分离卷积下采样及幽灵瓶颈模块，设计四个轻量 化变体版本（v1–v4），以在检测精度与推理效率之间获取灵活可选的平衡。在VisDrone2019数据集上的实验结果表 明，与基线YOLOv26n相比，v1模型在参数量降低51.8%、计算量仅为7.2 GFLOPs的条件下，mAP50与mAP50:95分别 提升4.3与3.6个百分点；v4模型则在保持mAP50:95与基线持平的同时，参数量、计算量与模型大小分别大幅削减88.4%、 29.3%与76.6%，计算量低至4.1 GFLOPs。所提方法在显著提升航拍小目标检测精度的同时，为资源受限条件下的高效 部署提供了多档位可选解决方案。
二、网络模型及其创新点
改进后模型
其一，构建双路径下采样骨干网络(Dual-Path Downsampling Backbone Network, DPDBN)，在原生卷 尽管YOLOv26n在通用数据集COCO上表现出色， 但其在无人机专用数据集 VisDrone2019 上的性能却 显著下降（mAP50:95 仅为 19.2%）。这一性能落差主 要源于VisDrone2019 图像中含有大量小目标，且普遍 存在遮挡与光照不均等复杂场景，对模型的泛化能力 提出了更大挑战。为了提高其精确度，提出一种基于 YOLOv26 的多尺度双路加权融合网络：MDWF- YOLO。其结构如图2所示。 积下采样分支基础上新增Haar小波下采样路径，缓解 深层网络中小目标特征丢失问题；其二，设计轻量级 混合局部与全局注意力（Mixed Local and Global At tention，MLGA）模块改进C3k2结构，增强网络特征 提取能力；其三，提出自适应快速空间金字塔池化 （Adaptive Spatial Pyramid Pooling-Fast，ASPPF）模 块替换原生 SPPF 模块，通过自适应加权融合平均池 化与最大池化操作，充分保留小目标细节特征；其四， 构建加权路径聚合网络（Weighted Path Aggregation Network，WPA-Net），新增极小目标检测头并设计加 权拼接模块，实现骨干双路径下采样各层级与颈部网 络各层级特征的加权融合，使网络可自主学习不同层 级特征的贡献权重；其五，引入余弦衰减策略优化一 对多损失的衰减权重，进一步提升模型对小目标的学 习能力与检测精度；最后，为了在检测精度与推理效 率之间获取灵活可选的平衡，综合利用网络结构剪枝、 可分离卷积下采样及幽灵瓶颈模块实施递进式轻量化处理，设计了四个轻量化变体版本（v1–v4）。
三、数据集
本研究选取由天津大学机器学习 与数据挖掘实验室的 AISKYEYE 团队收集和发布的 VisDrone2019 数据集进行实验。
四、实验效果（部分展示）
消融实验
五、实验结论
在 VisDrone2019 数据集上的系统实验表明， MDWF-YOLO 标准版在参数量仅小幅增加至 2.86M、 计算量为8.5 GFLOPs的条件下，mAP50与mAP50:95 分别达37.6%与22.7%，较基线YOLOv26n 分别提升 4.3 与 3.5 个百分点，推理速度保持159 FPS。轻量化 变体MDWF-YOLOv2以0.86M参数量和6.5 GFLOPs 计算量取得37.5%的 mAP50 与 22.6%的 mAP50:95， 在几乎无损精度的前提下将模型规模压缩至基线的 34.3%；极致轻量化版本 MDWF-YOLOv4 参数量仅 0.29M（降低88.4%），计算量降至4.1 GFLOPs（降低 29.3%）， mAP50:95 仍与基线持平，推理速度提升至 179 FPS，成为对比模型中速度最快者。与基于 YOLOv8、YOLOv11 及 YOLOv12 改进的复现算法对 比结果表明，MDWF-YOLO 在精度-效率Pareto 前沿 上处于领先位置，各改进模块在YOLOv26 基线之上 的增量贡献得到有效验证。跨数据集泛化实验进一步 证实，MDWF-YOLO在UAVDT和TinyPerson两个差 异显著的公开数据集上均取得稳定的性能提升，在 UAVDT 上 mAP50 达 31.3%，较基线提升5.1 个百分 点，召回率大幅提升13.6个百分点；在TinyPerson极 小目标数据集上mAP50达23.4%，较基线提升2.2个 百分点。轻量化版本 MDWF-YOLOv4 的检测精度在 泛化实验中以极低计算开销持续超越多数主流轻量级 基线，展现出良好的鲁棒性与泛化能力。
注：论文原文出李方方，雷鸣，郭森海．MDWF-YOLO:多尺度双路加权融合的航拍小目标检 测网络[J/OL]．计算机工程与应用.