计算机工程

作者：张信佳, 王芳

单位：燕山大学理学院, 河北 秦皇岛 066000

关键词：YOLOv5s模型,小目标检测,空间深度转换卷积,空间金字塔池化,归一化注意力机制

基金：国家自然科学基金(62073234); 河北省自然科学基金(F2020203105); 河北省高等学校科学技术研究项目(ZD2022012)

无人机(UAV)航拍图像中的目标通常具有尺度密集、易被遮挡且多为小目标等特点, 这导致检测过程中容易出现漏检和误检。为应对上述挑战, 基于YOLOv5s提出了针对小目标检测的SNA-YOLOv5s算法。首先, 引入空间深度转换卷积(SPD-Conv)模块替换原模型的跨步卷积层, 避免细节信息丢失, 增强小目标特征提取能力; 其次, 设计新型平均快速空间金字塔池化(AGSPPF)模块, 引入平均池化操作缓解池化层在提取特征信息的同时会导致部分信息丢失的问题, 提升模型的特征提取能力; 再次, 新增针对小目标的大尺度检测分支, 捕捉浅层特征中丰富的细节信息, 提升模型对小目标的检测能力; 最后, 将归一化注意力机制(NAM)嵌入骨干网络, 对特征信息进行加权处理, 抑制无效的特征信息。在VisDrone2019数据集和NWPU VHR-10数据集上的训练测试结果表明, 该算法的均值平均精度(mAP)分别达到了42.3%和96.5%, 与基线模型YOLOv5s相比分别提高了8.4和2.6百分点。通过与其他基于深度学习的主流模型对比实验, 进一步验证了该模型的鲁棒性和精确性。

来源：2026年第2期

《计算机工程》期刊编辑部

查看计算机工程杂志2026年第2期