【导读】

随着无人机技术的发展，从交通监控到农业测绘，各类任务中对“空中视角下的小目标检测”需求激增。然而，由于无人机拍摄视角多变、目标尺寸微小、环境光照复杂等因素，传统检测模型常常出现“漏检”“误检”问题。

LAM-YOLO 的提出正是为了解决这些关键难题——它不仅提升了检测准确率，还保持了优秀的实时性能，是 YOLOv8 在无人机检测场景下的重磅升级。

目录

一、LAM-YOLO 背景

二、LAM-YOLO 模型结构详解

Lighting-Occlusion Attention Module (LAM)

Involution Block

SIB-IoU Loss

多尺度辅助检测头

三、实验结果详解

模型对比实验

消融实验

分类精度提升分析

结论

---

一、LAM-YOLO 背景

无人机应用日益广泛，但由于拍摄视角多变、目标尺寸微小、环境光照处于府处的原因，导致当前大多数目标检测模型对小目标、重叠、遮挡目标无能不力。

• 目标尺寸小且尺度差异大：图像中既有远处行人，也有近处车辆，尺寸跨度大。

• 目标遮挡与密集分布：小目标往往被建筑、树木、光照遮挡，易被漏检。

• 环境复杂：光照变化强烈，如阳光直射或夜间低光，影响模型判别能力。

LAM-YOLO 就是针对这些特点设计的专用检测模型，它基于高效的 YOLOv8 架构，通过应对性地引入光照-遮挡注意力（LAM）模块、重构性 Involution 特征融合单元、有益的框回归损失 SIB-IoU ，并增加多规格小目标检测头，从而全面推动小目标检测效果和重要特征的抽取能力。

揭示人类观觉中光照和注意力之间的关系，将人类的非观觉效应精神绘装到模型设计中，是该模型最大的特色。

---

二、LAM-YOLO 模型结构详解

LAM-YOLO 构建在 YOLOv8 基础上，但进行三大方向的结构升级，包括注意力增强模块、特征融合方式、损失函数设计，并额外引入两个小目标检测头，全面提升小目标检测精度。

• Lighting-Occlusion Attention Module (LAM)

LAM 模块是模型核心创新，它结合了通道注意力和带窗自注意力，重点抽取遮挡和光照处理下小目标的闪烁特征。

LAM 模块包括：

• 浅层特征提取（Conv3x3）

• RHAG 混合注意力组，包括 Vision-Aware Attention Block (VAB) 和 Overlapping Light Attention Block (OLAB)

• 重构单元：通过 pixel shuffle 接入高分辨率特征

LAM 模块是唯一展现所谓“云间选择注意力”的组件，能够动态调整网络对光照处理特征的敏感度。

• Involution Block

传统卷积在空间特征对齐上存在信息损失，特别是在FPN阶段。LAM-YOLO引入Involution模块（可逆卷积），用以：

• 针对每个像素动态生成不同卷积核

• 实现特征图各尺度间的“位置感知”卷积处理

• 增强局部特征细节与全局上下文之间的桥接能力

公式设计上，每个像素根据其位置和通道生成局部卷积核，通过自适应调整不同区域的处理策略。

• SIB-IoU Loss

为提高小目标回归精度，作者设计了融合式的 Soft Inner-section Bounding-box IoU (SIB-IoU)，其融合了：

• 考虑了相对地址距离、形状绝对误差、角度损失

• 引入多个缩放系数的辅助框，并通过 Inner-IoU 维持经验系统的放大和收缩扩展能力

• 有效提升较低 IoU 样本的回归精度和训练收敛速度

最终损失函数为：

效果：对低IoU样本提供更强梯度信号，加速训练收敛速度，提升最终精度。

• 多尺度辅助检测头

LAM-YOLO 在原 YOLOv8 的基础上新增两个分辨率为 320×320（P1）和 160×160（P2）的检测头，主要针对远距离极小目标。这种设计显著降低了低分辨率下的漏检率。

---

三、实验结果详解

• 模型对比实验

在 VisDrone2019 数据集上，LAM-YOLO 与主流方法的对比如下：

• LAM-YOLO mAP@0.5 = 48.8%，比 YOLOv9 提升 1.1%；

• mAP@0.5:0.95 = 29.9%，比 Cascade R-CNN 高 0.3%，超越大部分 two-stage 方法；

• 在多元环境下同样表现出艰强的实际通用性

• 消融实验

各模块贡献总结：

• 小目标检测头提升最大（+3.4%）；

• LAM模块贡献约+1.1%；

• Involution略优于传统卷积；

• 损失函数替换（CIoU→SIB-IoU）提升 0.7%。

• 分类精度提升分析

显然，LAM-YOLO在“人/车/摩托”等小目标上效果显著提升。

---

结论

LAM-YOLO 的提出，为复杂环境下的无人机小目标检测提供了全新解决方案：

• 强化注意力机制适应复杂光照与遮挡；

• 利用 Involution 弥补多尺度信息缺失；

• 自定义 SIB-IoU 损失提升训练效率与精度；

• 增设小目标检测头解决“极小目标”问题。

这使得 LAM-YOLO 在精度与实时性之间取得了良好平衡，非常适合部署在实际的无人机巡检、监控系统中。

未来方向：轻量化部署、跨场景泛化、多模态融合（如红外+可见光）等，都将是LAM-YOLO继续拓展的潜力空