改进YOLO11的多尺度上下文增强注意力车辆检测模型

来源：电子测量技术杂志2025年第21期北京时间：

作者：刘炜，皮建勇，胡倩，胡伟超

单位：贵州大学计算机科学与技术学院公共大数据国家重点实验室 贵阳 550025

摘要：为了提高高性能多尺度目标检测，特别是小目标检测的精度，以减少交通事故的发生概率。本研究提出了一种改进YOLO11模型的多尺度上下文增强注意力机制的汽车检测方法。首先，在主干网络中设计并引入了RPCSPELAN5结构替换C3k2模块，提升特征提取能力和信息聚合。其次，在颈部网络中创建并新增DSM模块，该模块通过动态上采样器和无参数注意力机制，增强小目标的特征融合。最后，进一步改进颈部网络，采用了基于Haar小波的下采样模块，提升语义分割表现和上下文连续性。在VOC2012和COCO数据集上的实验表明，所提出的算法在多个评估指标上均取得了显著的提升。VOC2012数据集上的P、R、mAP50和mAP50.95分别提高了0.2%、5.3%、3.4%和4.2%，而COCO数据集上的提升幅度分别为7.7%、6.0%、8.7%和6.5%。本研究提出的算法在多尺度目标检测，特别是小目标检测精度上表现出优越性，有效提高了车辆检测精度，有助于降低交通事故发生的概率。

关键词：目标检测;YOLO11;多尺度;上下文增强;注意力机制

基金资助：贵州省科技支撑计划(黔科合支撑［2023］一般430)项目资助