ADE-YOLO：基于改进YOLO11的退化环境下小目标检测算法

来源：计算机工程与应用杂志2026年第1期北京时间：

作者：彭哲轩, 应展烽, 葛昊, 陈志华, 张焕好

单位：1.南京理工大学 瞬态物理全国重点实验室，南京 210094；2.南京理工大学 能源与动力工程学院，南京 210094；3.南方科技大学 国家卓越工程师学院，广东 深圳 518055

摘要：针对退化环境下目标检测任务中存在的计算复杂度过高、特征表达能力不足及复杂环境鲁棒性差等问题，提出一种基于改进YOLO11的高效检测算法：ADE-YOLO（adaptive degraded environment-YOLO）。通过C3K2模块与异构卷积HetConv（heterogeneous kernel-based convolutions）模块融合构建轻量化模块C3K2-H，在保持检测精度的同时降低模型计算量。将SENet（squeeze-and-excitation networks）网络与SPPF（spatial pyramid pooling fast）模块相融合为SPPFSE模块，引入注意力机制增强对目标重要特征的捕捉。设计多层级联特征增强结构，有效提升小目标的特征表达能力。将原检测头替换为自适应特征融合检测头ASFFHead（adaptively spatial feature fusion head），并引入采用改进边界框回归策略的GIoU损失函数，进一步提升退化环境小目标的定位精度。在EXDARK及RTTS数据集上进行验证，并在训练期间使用A-Retinex图像增强算法增强图像细节。实验结果表明，ADE-YOLO在EXDARK上的准确率和检测精度比基准模型mAP@0.5分别提升2.3与3.1个百分点，在RTTS上的准确率和检测精度比基准模型mAP@0.5分别提升2.8与6.6个百分点，为复杂退化场景下的小目标检测提供了一种提高精度的解决方案。

关键词：小目标检测,自适应特征融合,退化环境,YOLO11