摘要:在无人机侦察、安防监控以及自动驾驶等领域中，目标检测技术面临巨大的挑战，图像中的目标往往具有多尺度属性，尤其是小尺寸目标检测难，以及目标很容易受到不同程度的遮挡。针对这些亟待解决的问题，本文提出了一种创新的动态多尺度目标检测模型：YOLO-DDE。首先，本文了提出了CEMA和CED卷积模块，增强了骨干网络对多尺度信息的处理能力精细特征提取能力，从而实现在复杂场景下更加精确的识别效果。此外，本文通过对FPAN网络结构进行创新性重构，提出了DFPN结构，此结构采用纵向跨尺度融合技术，显著提升了模型的尺度特征融合效果。最后，引入了动态检测头，提出了DD-Head结构，强化了模型对下游任务处理的能力。综上所述，本文提出的YOLO-DDE模型以其动态多尺度结构，为目标检测技术的性能提升提供了新的可能性。本文在PASCAL VOC数据集上进行了消融实验和对比试验，与当前主流先进模型YOLOv8相比，本文模型YOLO-DDE在评价指标map50和map50.95上分别提升了1.8%和3.2%，并且本文还在VisDrone、HIT-UAV、FAIR1M2.0数据集上进行了泛化性实验，验证了模型具有很强的泛化能力。