MFE-YOLO：复杂场景下多尺度特征增强行人检测算法

来源：计算机工程与应用杂志2026年第1期北京时间：

作者：黄德意, 黄德启, 黄海峰, 刘振航

单位：新疆大学 电气工程学院，乌鲁木齐 830017

摘要：针对复杂场景中行人检测存在的多尺度分布、密集遮挡及噪声干扰导致的漏检率高、误检抑制不足等问题，提出一种面向复杂场景的多尺度特征增强行人检测算法MFE-YOLO。设计高效全局特征提取模块（EGM），融合MetaFormer架构与深度可分离卷积，强化主干网络对细粒度特征的捕获能力。构建混合局部特征选择机制（MLCA）驱动的混合多级特征融合网络（MLHS-FPN），通过跨层级门控单元动态融合局部细节与全局上下文信息，提升多尺度行人表征鲁棒性。同时增加浅层小目标检测头P2，结合高分辨率特征与深层语义信息。采用Wise-inner-PIoUv2损失函数抑制低质量样本梯度干扰。在CityPersons数据集上的实验表明，MFE-YOLO相较基线模型F1分数提升3.7个百分点，AP50提高6.5个百分点，模型参数量减少37%，体积压缩35.8%。在BDD100K复杂场景下的泛化测试中仍保持性能优势。结果表明，该算法在复杂场景多尺度行人检测任务中具有较高的准确性。

关键词：深度学习,行人检测,MetaFormer架构,多尺度特征增强,YOLOv8