优化改进YOLOv8无人机视角下目标检测算法

来源：计算机工程与应用杂志2025年第1期北京时间：

作者：孙佳宇, 徐民俊, 张俊鹏, 炎梦雪, 操文, 侯阿临

单位：1.长春工业大学 计算机科学与工程学院，长春 130012；2.吉林大学 符号计算与知识工程教育部重点实验室，长春 130012；3.吉林省新一代人工智能智慧健康联合创新实验室，长春 130012

摘要：针对无人机视角下的目标存在多尺度、目标小、被遮挡与背景复杂等问题，提出了一种基于动态样本注意力尺度序列的YOLOv8改进算法BDAD-YOLO。通过引入BiFormer的思想来改造原模型骨干结构，提高模型对关键信息的关注度，更好地保留目标细粒度细节信息。由于目标存在大小、位置等多变性，传统卷积并不能很好地处理这一情况，因此基于DCN（deformable convolutional network）的思想，设计了一种可以增强对小目标特征提取的C2_DCf模块，从而进一步提高颈部网络中小目标层对特征信息的融合。提出一种基于动态样本的注意力尺度序列融合框架AFD（attention-scale sequence fusion framework based on dynamic samples），使用轻量化动态点采样并通过融合不同尺度的特征图来增强网络提取多尺度信息的能力。使用WIoU损失函数，改善小目标低质量数据对梯度的不利影响，以加快网络收敛速度。实验结果表明，在VisDrone数据集中的val集与test集上平均精度（mAP@0.5）分别提升了4.6个百分点、3.7个百分点，在DOTA数据集上平均精度（mAP@0.5）提升了2.4个百分点，证明了改进算法的有效性和普适性。

关键词：目标检测,无人机视角,YOLOv8,BiFormer,特征融合,损失函数