引言
随着智能航运和水上交通管理的不断发展，基于无人机视角视频监控的船舶识别技术在航道安全、交通流量统计、违章检测等领域[1]得到了广泛应用。然而，在复杂内河环境中，光照反射、波纹扰动、背景复杂以及船舶遮挡等因素使得船舶目标尺寸较小、边缘模糊，传统算法在小目标检测方面存在明显不足，难以满足高精度与实时性要求[2]。为此，提高复杂环境下，特别是小型船舶的检测精度具有重要研究价值。
当前的目标检测算法主要分为两类：（1）Faster R-CNN[3]等两阶段检测器，精度高但推理速度较慢；（2）YOLO[4-5]系列和SSD[6]等单阶段检测器，具有快速检测和易部署的优势。YOLO系列从YOLOv3到YOLOv11[7] 发展，当前主流的目标检测算法在小目标检测改进以及特征融合领域已有许多先例和成果，学者们针对不同场景进行了大量研究与改进。孙超磊等人[8]通过引入多尺度特征融合结构与通道注意力机制，提高了模型在复杂背景下的特征表达能力； MA Y等人[9]采用多尺度特征融合与小目标检测层优化，兼顾了检测精度与实时性能；ZHU Y等人 [10]提出了一种融合和非极大抑制相结合的损失函数后处理算法，从而在后处理阶段获得更精确的边界框，为水面目标检测提供了新的思路[11]。然而，现有方法仍面临小目标特征提取不足、信息冗余和计算复杂度高等问题，限制了其在无人机视角下复杂环境中的应用。
本文在YOLOv11框架基础上提出了一种改进算法——YOLO11-FFW（YOLO11—FEM FFM_Concat WIoUv2）。本研究的创新点如下：
(1)引入特征增强模块（Feature Enhancement Module ,FEM[12]）：通过多分支空洞卷积结构，扩大感受野，增强模型对小目标的特征提取能力，并提升复杂背景下细节特征的可分辨性。
(2)引入特征融合模块（Feature Fusion Module ,FFM_Concat[12]）并重新整合模型结构：在BiFPN结构基础上引入可学习的权重重标定机制（CRC），实现高低层特征的自适应融合，减少冗余信息，提高多尺度特征融合效率。
(3)损失函数WIoUv2[13]改进：通过动态加权机制平衡定位与分类损失，提升小目标检测中的定位精度，增强模型在密集船舶与遮挡场景中的鲁棒性。
这些改进提升了YOLO11-FFW模型在无人机视角下复杂环境中的船舶检测精度，尤其在小型船舶和遮挡环境下的表现，验证了该算法的有效性。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000007031
作者信息：
李一鹏，杨华
（上海海事大学 信息工程学院，上海 201306）
