计算机科学与探索

作者：刘臣杰, 刘巍, 杨雯迪, 王成

单位：1. 浙江工商大学 信息与电子工程学院，杭州 3100182. 中原工学院 计算机学院，郑州 450007

关键词：小目标检测,YOLOv10,特征增强金字塔,注意力机制

基金：国家自然科学基金（62073125）。

针对无人机视角下小目标检测中存在的目标密集分布、背景复杂干扰及特征分辨率不足等问题，提出了一种基于YOLOv10的改进模型DEPA-YOLO。该模型设计了动态多尺度特征提取模块DCMB，该模块通过融合动态权重分配与多形态特征混合策略，有效增强了浅层局部纹理与高层全局语义的联合建模能力，从而改善小目标的特征表达。提出了HFEP特征金字塔结构，将SPDConv与ECFI的多分支动态融合相结合，实现了对不同尺度目标的细节保持与多层次语义的高效传递，显著缓解了传统特征金字塔在密集场景中信息丢失的问题；在主干网络中引入CPCA注意力机制，引导网络聚焦于显著目标区域，减少复杂背景干扰带来的误检与漏检；并在损失函数中采用WIoU回归策略，通过引入梯度调控与边界惩罚机制，提高了小目标定位的稳定性与鲁棒性。在VisDrone2019数据集上的消融实验结果表明，DEPA-YOLO相较YOLOv10基准模型在精度、mAP50和mAP50:95上分别提升4.7、4.3和2.5个百分点；在DOTA数据集的泛化实验中进一步提升7.9、2.0和1.2个百分点。DEPA-YOLO模型显著提升了无人机视角下的小目标检测精度，为无人机小目标检测提供了一种高效的解决方案。

来源：2026年第1期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2026年第1期