BMDnet：一种高效无人机小目标检测方法

本文面向无人机航拍图像中的小目标检测问题。由于目标在航拍画面中大小差异明显、边缘信息较弱、背景复杂，普通检测模型容易出现漏检或误检。为解决这些问题，作者基于YOLOv11n提出一种效率较高的模型BMDnet，从特征融合、特征增强和检测优化三个方面进行协同改进：一是设计双向多尺度特征融合网络BIMAFPN，使不同尺度、不同层次的特征更好地相互补充；二是引入多尺度边缘信息增强模块MEIE，加强细小目标的轮廓和结构表达；三是采用动态注意力头DAH，让模型根据目标尺度、空间位置和任务需求自适应调整特征，从而更准确地关注目标区域。实验在VisDrone2019数据集上进行，结果显示BMDnet的mAP50和mAP50-95分别提高3.5和2.2个百分点，同时计算量只是适度增加；在HIT-UAV数据集上的进一步实验也说明模型具有较好的泛化能力。总体来看，BMDnet在检测精度和计算效率之间取得了较好平衡，适用于无人机航拍等实际场景中对小目标的自动识别。论文学科分类包括计算生物学与生物信息学、工程、数学与计算；研究得到安徽省教育厅自然科学研究项目资助，项目号为2024AH050213；作者信息包括安徽机电职业技术学院的李飞（Fei Li）、王萌（Meng Wang）、章晓荣（Xiaorong Zhang），以及安徽中烟工业有限责任公司芜湖卷烟厂的余晨晨（Chenchen Yu），通讯作者为李飞（Fei Li）。