引用：1侯颖,黄嘉超,申家轩,等.YOLOv11＿UAVNet:无人机航拍图像专用目标检测算法J/OL.计算机工程与应用,1-162026-09-18.https://link.cnki.net/urlid/11.2127.TP.20260917.1311.009.
1.结构改进
-
轻量化 DSConvSPDPW 卷积模块
用深度可分离卷积（DSConv）+ 空间到深度（SPD）+ 逐点卷积（PWConv）组合，替换 YOLOv11 中所有
stride=2的 CBS 卷积，实现无损下采样，保留小目标细节，同时大幅降低参数量。骨干网络用 DSConvSPDPW-2，Neck 用 DSConvSPDPW-1。 -
通道深度金字塔递减策略
改变传统"通道递增"设置，增加浅层通道数、减少深层通道数，强化小目标特征捕获能力。
-
增加超浅层小目标检测分支 C1-C2-P2
在骨干网络增加 160×160 的高分辨率浅层特征提取，Neck 中增加P2小目标检测头，构建五层特征金字塔，显著提升小目标检测率。
-
构建 PAFPN_CCFM_SOD 跨尺度特征融合网络
在 FPN + PAN 基础上引入跨尺度特征融合模块（CCFM），并嵌入1×1 PWConv 进行通道调整，实现浅层细粒度信息与深层语义信息的互补增强，同时保持轻量化。
2.介绍
2.1 DSConv
公式：DSConv(X)=PWConv1×1{DWConv3×3(X)}
深度卷积DWConv不进行下采样和不改变通道数,对每个特征图的每个通道独立进行空间卷积，提取局部空间特征。
DWConv特点：每个输入通道独立进行空间卷积，通道之间没有任何信息交流。
逐点卷积PWConv负责调整通道数，对 DWConv 输出的各通道进行通道维度的线性组合，实现通道信息融合。
PWConv作用：把同一个位置上的所有通道值放在一起，通过加权求和，生成新的通道。
2.2 通道深度金字塔递减策略
具体作用：
**1.提升小目标检测精度。**增加浅层通道数，相当于给高分辨率特征图更多"表达能力"，能保留更多小目标细节，减少漏检和错检。
**2.减少深层冗余。**深层特征图分辨率低，感受野大，语义信息强，主要利于大目标分类。但在无人机小目标检测任务中，深层特征对小目标贡献较低。所以，把深层通道压缩，可以减少对当前任务贡献不大的冗余参数，避免过参数化。
**3.实现参数再分配。浅层加宽，深层变窄。**让有限的参数可以更好地服务小目标检测。
2.3 增加超浅层小目标检测分支 C1-C2-P2
核心思想： 在骨干网络和 Neck 中引入下采样倍数仅为 4 的超浅层特征（C1、C2），并新增 P2 小目标检测头，形成 160×160 高分辨率检测分支，从而最大程度保留小目标的细粒度空间信息。
**具体做法：**Neck网络对160×160×512、160×160×256、 80×80×128、40×40×128、20×20×128五组{C1, C2,C3,C4,C5'}多尺度金字塔特征信息进行融合，实现浅层细粒度信息与深层语义信息的互补增强，同时Neck网络中添加P2小目标检测头，增强后生成160×160×256、80×80×128、40×40×128、20×20×128四组{P2,P3,P4,P5}多尺度特征信息用于后续检测头网络预测。
**创新点：1.**传统 YOLOv11 最小检测头是 P3（80×80），对极小目标不敏感。新增 P2 检测头后，网络可以直接在高分辨率特征图上预测小目标，减少漏检。
**2.**将 C1 引入 Neck，相当于在 C2 基础上再增加一路超浅层细节，显著提升小目标召回率。
**3.**传统 YOLOv11 最小检测头是 P3（80×80），对极小目标不敏感。新增 P2 检测头后，网络可以直接在高分辨率特征图上预测小目标，减少漏检。
4.**跨尺度融合互补。**C1、C2 细节丰富但语义弱；C4、C5* 语义强但分辨率低。PAFPN_CCFM_SOD 将两者双向融合，使 P2 既保留细节，又获得足够语义，降低误检。
2.4 构建 PAFPN_CCFM_SOD 跨尺度特征融合网络
理解为：FPN_CCFM + PAN_CCFM + 超浅层小目标分支 C1-C2-P2 + 轻量化设计
FPN 核心思想： 深层语义上采样，与浅层特征融合；PAN核心思想： 在 FPN 基础上增加自底向上路径；**BiFPN核心思想：**重复双向跨尺度连接，并给不同输入加可学习权重。
**CCFM（跨尺度特征融合模块）：**在每条融合路径中引入 1×1 PWConv 调整通道数，实现轻量化，同时增强不同尺度特征的交互。论文指出，CCFM 比普通 PAN/BiFPN 融合更高效，且参数量更低。
采用PAFPN_CCFM_SOD 跨尺度特征融合网络能更好地融合超浅层 C1、C2 特征，而 BiFPN 对超浅层特征的利用不如本文设计充分。
3. 细节
通过ai对各个模式进行阐述：
