Published
2026-03-18
Section
Articles
How to Cite
YOLO-CMD: 改进 YOLO11 的反无人机目标检测算法
李 肖坡
郑州航空工业管理学院 计算机学院
余 建国
郑州航空工业管理学院 计算机学院
DOI: https://doi.org/10.59429/kxjsyy.v3i1.13273
Keywords: 小目标检测；CrossMScaleB；DySample
Abstract
针对传统反无人机检测方法存在漏检、误检和检测精度低等问题，提出改进 YOLO11 的反无人机目标检测算 法—YOLO-CMD。首先，设计了 CrossMScaleB 跨尺度特征融合模块替换骨干网络中的 C3k2 模块，增强了对多尺 度目标的特征捕捉能力；其次，采用 DySample 动态上采样替代传统上采样方法，增强小目标的细节特征表达，进一 步提升识别精度。在公开无人机数据集 Anti-UAV 上的实验结果表明。YOLO-CMD 相较于原 YOLO11s 模型，准 确率提升 1.3%，召回率提升 5.2%，mAP@50 提升 3.6%，mAP@50-95 提升 6.3%，整体性能优于多种主流目标检测算 法，充分验证了算法的有效性和先进性。
References
[1] GUVENC, F. KOOHIFAR, S. SINGH, M. L. SICHITIU and D. Ma-tolak, "Detection, Tracking, and Interdiction for Amateur Drones," in IEEE Communications Magazine, vol. 56, no. 4, pp. 75-81, April 2018, DOI: 10.1109/MCOM.2018.1700455.
[2] 陈小龙，陈唯实，饶云华等 . 飞鸟与无人机目标雷达探测与识别技术进展与展望[J]. 雷达学报，2020, 9(5): 803–827. doi: 10.12000/JR20068.
[3] 薛珊，卫立炜，顾宸瑜等 . 采用混合域注意力机制的无人机识别方法[J]. 西安交通大学学报，2022,56(10):141-150.DOI:10.7652/xjtuxb202210014.
[4] 矫立浩，程换新 . YOLO-DAP: 一种改进 YOLOv8的反无人机目标检测算法[J]. 电光与控制，2025, 32(6): 38.
[5] FANG A, FENG S, LIANG B, et al. Real-TimeDetection of Unauthorized Unmanned Aerial VehiclesUsing SEB-YOLOv8s.[J].Sensors(Basel,Switzerland),2024,24(12):3915-3915.DOI:10.3390/S24123915.
[6] CHEN Y, YUAN X, WANG J, et al. YOLO-MS: Rethink-ing Multi-Scale Representation Learning for Realtime Object Detection [J]. IEEE transactions on pattern analysis and machine intelligence,2025,PP.
[7] LIU W, LU H. et al. Learning to Upsample by Learning to Sample. In Proceedings of the IEEE/CVF International Conference on Computer Vision (2023).
[8] 李淇，石艳，范桃等 . 改进 YOLOv8n 的 O 型密封圈表面缺陷检测算法研究[J]. 计算机工程与应用，2024, 60(18): 126-135.