近日，我院2024级研究生冯宇以第一作者身份完成的论文Enhancing Small Object Detection in UAV Imagery through Edge-Preserving Context Fusion在国际期刊Discover Computing（中国科学院三区）发表。该论文介绍了一种基于边缘保留上下文融合的ECF-YOLO无人机图像小目标检测模型，针对无人机高空拍摄场景中小目标尺寸小、分辨率低、检测难度大等问题提出改进方案，并在TinyPerson、VisDrone2019等多个公开数据集上获得优异验证。
近年来无人机技术在交通监控、应急救援、军事侦察等领域应用日益广泛，但现有方法对无人机图像中小目标的检测能力仍然不足，特别是下采样过程中高频细节丢失与多尺度特征融合效果欠佳仍然缺乏探索。同时，许多模型在追求精度时未充分考虑部署效率，掩盖了其真实性能水平。针对这些问题，研究首先提出以YOLOv11n为基础架构，同时捕获无人机图像的边缘细节信息和基于特征的长距离依赖关系。论文中设计的ECF-YOLO网络由三个核心模块构成，每个模块各司其职又相互协同。其中，LoGStem模块通过高斯拉普拉斯算子学习图像的几何边缘结构，而方向感知上下文模块则在此基础上进一步捕捉通道之间的长距离依赖，从而实现边缘信息与语义信息的互补融合。该机制使模型能够更全面地探索小目标特征，提升复杂背景下的判别能力。此外，研究提出了一种高效路径聚合颈部，通过可学习加权融合机制优化多尺度特征融合效果。实验结果显示，该策略在多组实验中都带来了稳定的性能提升，TinyPerson数据集上mAP@0.5相对提升达55.2%，参数数量减少48%的同时保持72.48 FPS的实时推理速度，体现了轻量化模型在边缘设备部署中的重要性，为未来提升无人机视觉检测性能、推动实际应用落地提供了参考方向。
导师张修军为论文指导教师，学院研究生2023级周浩天、2024级张通达、2025级何周杨三位同学参与论文工作。
