基于信道先验多尺度跨轴注意YOLO的无人机视角下多尺度小目标检测算法

doi:10.11772/j.issn.1001-9081.2024121811

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (12): 4021-4029.DOI: 10.11772/j.issn.1001-9081.2024121811

• 多媒体计算与计算机仿真 • 上一篇下一篇

基于信道先验多尺度跨轴注意YOLO的无人机视角下多尺度小目标检测算法

肖海林¹, 田波¹, 胡彬¹, 孔祥婷¹, 吴媛媛¹, 马仁煜², 张中山³

^1.湖北大学计算机学院，武汉 430062
^2.湖北大学人工智能学院，武汉 430062
^3.北京理工大学信息与电子学院，北京 100081

收稿日期:2024-12-25 修回日期:2025-04-01 接受日期:2025-04-02 发布日期:2025-04-15 出版日期:2025-12-10
通讯作者: 肖海林
作者简介:肖海林（1976—），男，湖北黄冈人，教授，博士，主要研究方向：5G/B5G智能信息处理
田波（1999—），男（土家族），湖北恩施人，硕士研究生，主要研究方向：目标检测、图像处理
胡彬（2000—），男，湖北鄂州人，硕士研究生，主要研究方向：图像分割
孔祥婷（1996—），女，山西吕梁人，硕士研究生，主要研究方向：数字图像水印、图像加密
吴媛媛（1999—），女，河南信阳人，硕士研究生，主要研究方向：目标检测
马仁煜（2001—），男，安徽淮南人，硕士研究生，主要研究方向：无人机路径规划
张中山（1974—），男，河北遵化人，教授，博士，主要研究方向：5G/B5G通信。
基金资助:
国家自然科学基金资助项目(61872406);广西重大专项(桂科AA24263034);广西重点研发计划项目(桂科AB25069340);湖北省高等学校优秀中青年科技创新团队计划项目(T2021001)

Multi-scale small target detection algorithm for UAV perspective based on channel-prior multi-scale cross-axis attention-YOLO

Hailin XIAO¹, Bo TIAN¹, Bin HU¹, Xiangting KONG¹, Yuanyuan WU¹, Renyu MA², Zhongshan ZHANG³

^1.School of Computer Science，Hubei University，Wuhan Hubei 430062，China
^2.School of Artificial Intelligence，Hubei University，Wuhan Hubei 430062，China
^3.School of Information and Electronics，Beijing Institute of Technology，Beijing 100081，China

Received:2024-12-25 Revised:2025-04-01 Accepted:2025-04-02 Online:2025-04-15 Published:2025-12-10
Contact: Hailin XIAO
About author:XIAO Hailin， born in 1976， Ph. D.， professor. His research interests include 5G/B5G intelligent information processing.
TIAN Bo， born in 1999， M. S. candidate. His research interests include target detection， image processing.
HU Bin， born in 2000， M. S. candidate. His research interests include image segmentation.
KONG Xiangting， born in 1996， M. S. candidate. Her research interests include digital image watermarking， image encryption.
WU Yuanyuan， born in 1999， M. S. candidate. Her research interests include target detection.
MA Renyu， born in 2001， M. S. candidate. His research interests include UAV path planning.
ZHANG Zhongshan， born in 1974， Ph. D.， professor. His research interests include 5G/B5G communication.
Supported by:
National Natural Science Foundation of China(61872406);Outstanding Young and Middle-aged Science and Technology Innovation Team Program in Hubei Universities and Colleges(T2021001);Guangxi Key Science and Technology Special Project(AA24263034);Guangxi Key Research and Development Program(Guike AB25069340)

摘要/Abstract

摘要：

针对当前无人机（UAV）视角下小目标检测存在的准确率低问题，提出一种基于信道先验多尺度跨轴注意YOLO （CPMS-YOLO）的UAV视角下多尺度小目标检测算法。首先，在骨干网络中融入能在复杂背景下更好地提取和强化有用特征的多尺度注意力模块CPMS（Channel-Prior-Multi-Scale cross-axis attention），该模块使算法能更容易地学习感兴趣区域的位置细节并提高对不同尺度小目标在复杂背景下的特征提取能力；其次，对骨干网络和特征融合网络进行重构，即增加一个具有丰富小目标语义信息的特征层，并通过融合模块MultiSEAM（Multi-scale Separated and Enhancement Attention Module）将上下文特征信息进行互补，从而更好地捕捉和识别小目标；再次，设计C2f-RFE（C2f-Receptive Field Enhancement）模块改进颈部网络中深层的C2f（Faster Implementation of CSP Bottleneck with 2 convolutions）模块，以增加特征图的感受野，从而更准确、更快速且多角度地定位目标特征，进而提升对小目标的检测能力；最后，引入损失函数WIoUv3 （Wise-IoU（Intersection over Union） v3）动态优化小目标的损失权值，以解决边界框回归任务中正负样本之间的差异问题，从而进一步提高对小目标的检测能力。在公共数据集VisDrone2019上的实验结果表明：与基准算法YOLOv8s相比，所提算法的精确率、召回率、mAP₅₀（mean Average Precision at IoU threshold of 50%）和mAP_50-95（mean Average Precision at IoU thresholds from 50% to 95%）分别提升了5.9、5.8、6.3和3.6个百分点。可见，基于CPMS-YOLO的UAV视角下多尺度小目标检测算法能更精确地捕捉和识别小目标。

关键词: YOLOv8, 小目标检测, 多尺度, 无人机, WIoU

Abstract:

In view of current low accuracy issue in small target detection from Unmanned Aerial Vehicle （UAV） perspective， a multi-scale small target detection algorithm from UAV perspective based on Channel-Prior-Multi-Scale cross-axis attention-YOLO （CPMS-YOLO） was proposed. Firstly， a multi-scale attention module named CPMS （Channel-Prior Multi-Scale cross-axis attention） was incorporated into the backbone network， and the module was designed to better extract and emphasize useful features in complex backgrounds. With this module， the algorithm was able to learn the location details of the region of interest more easily and improve the feature extraction ability of small targets at different scales in complex backgrounds. Secondly， the Backbone network and feature fusion network were restructured by adding a feature layer with the enriched small target semantic information， and the fusion module MultiSEAM （Multi-scale Separated and Enhancement Attention Module） was adopted to complement contextual feature information for each other， thereby detecting and recognizing small targets better. Thirdly， a C2f-RFE （C2f-Receptive Field Enhancement） module was designed to improve the deep C2f （Faster Implementation of CSP Bottleneck with 2 convolutions） module in the Neck network， so as to expand the receptive field of the feature map， thereby realizing more accurate， faster， and multi-angle localization of target features， and thus enhancing small target detection ability. Finally， a loss function named WIoUv3 （Wise-IoU （Intersection over Union） v3） was introduced to optimize the loss weights of small targets dynamically， so as to solve the difference problem between positive and negative samples in the bounding box regression task， thereby further improving the detection ability for small targets. Experimental results on the public dataset VisDrone2019 show that compared to the baseline algorithm YOLOv8s， the proposed algorithm improves the precision， recall， mAP₅₀（mean Average Precision at IoU threshold of 50%）， and mAP_50-95 （mean Average Precision at IoU thresholds from 50% to 95%） by 5.9， 5.8， 6.3， and 3.6 percentage points， respectively. It can be seen that the multi-scale small target detection algorithm for UAV perspective based on CPMS-YOLO can capture and recognize small targets more accurately.

Key words: YOLOv8, small target detection, multi-scale, Unmanned Aerial Vehicle (UAV), WIoU (Wise-IoU（Intersection over Union）)

中图分类号:

TP391.4

肖海林, 田波, 胡彬, 孔祥婷, 吴媛媛, 马仁煜, 张中山. 基于信道先验多尺度跨轴注意YOLO的无人机视角下多尺度小目标检测算法[J]. 计算机应用, 2025, 45(12): 4021-4029.

Hailin XIAO, Bo TIAN, Bin HU, Xiangting KONG, Yuanyuan WU, Renyu MA, Zhongshan ZHANG. Multi-scale small target detection algorithm for UAV perspective based on channel-prior multi-scale cross-axis attention-YOLO[J]. Journal of Computer Applications, 2025, 45(12): 4021-4029.

图/表 16

图1 UAV交通监控视角下的问题

Fig.1 Issues in traffic monitoring from UAV perspective

图2 本文算法的结构

Fig.2 Structure of proposed algorithm

图3 CPMS的结构

Fig.3 Structure of CPMS

图4 MultiSEAM

Fig.4 MultiSEAM

图5 C2f-RFE与RFE模块

Fig.5 C2f-RFE and RFE Module

表1 实验参数设置

Tab. 1 Experimental parameter setting

参数名称	设置	参数名称	设置
轮数	300	预热周期	3.0
图片大小	640	初始学习率	0.01
批量大小	16	最终学习率	0.01
线程数	4	学习率动量	0.937
$β$ （WIoUv3）	1.9	权重衰减	0.005
$α$ （WIoUv3）	3	优化器	SGD

表1 实验参数设置

Tab. 1 Experimental parameter setting

参数名称	设置	参数名称	设置
轮数	300	预热周期	3.0
图片大小	640	初始学习率	0.01
批量大小	16	最终学习率	0.01
线程数	4	学习率动量	0.937
$β$ （WIoUv3）	1.9	权重衰减	0.005
$α$ （WIoUv3）	3	优化器	SGD

表2 不同损失函数的比较 (%)

Tab.2 Comparison of different loss functions

损失函数	精确率	召回率	mAP₅₀	mAP_50-95
EIoU	49.1	38.0	38.7	23.4
CIoU	50.9	38.2	39.3	23.5
SIoU	51.5	38.5	39.4	23.4
WIoUv1	50.1	38.5	39.3	23.3
WIoUv2	50.6	38.4	39.3	23.2
WIoUv3	51.3	38.6	40.0	23.6

表3 本文算法与基线算法YOLOv8s的检测精度和帧率比较（VisDrone2019）

Tab.3 Comparison of detection precision and FPS between proposed algorithm and baseline algorithm YOLOv8s （VisDrone2019）

算法

AP/%

mAP/

帧率/

（frame·s^-1）

52.8

43.2

19.6

84.1

49.5

42.3

34.2

17.0

62.1

53.4

45.6

108.5

图6 本文算法与基线算法的对比实验结果（VisDrone2019）

Fig.6 Comparison experimental results of proposed algorithm and baseline algorithm （VisDrone2019）

表4 VisDrone2019数据集上不同目标检测算法的AP和mAP50比较

Tab.4 Comparison of AP and mAP50 of different target detection algorithms on VisDrone2019 dataset

算法	AP/%										mAP₅₀/%
算法	Pedestrian	Person	Bicycle	Car	Van	Truck	Tricycle	Awning-tricycle	Bus	Motor	mAP₅₀/%
Faster R-CNN^［4］	20.9	14.8	7.3	51.0	29.7	19.5	14.0	8.8	30.5	21.2	21.8
Cascade R-CNN^［4］	22.2	14.8	7.6	54.6	31.5	21.6	14.8	8.6	34.9	21.4	23.2
CenterNet^［22］	22.6	20.6	14.6	59.7	24.0	21.3	20.1	17.4	37.9	23.7	26.2
DMNet^［23］	28.5	20.4	15.9	56.8	37.9	30.1	22.6	14.0	47.1	29.2	30.3
CDNet^［23］	35.6	19.2	13.8	55.8	42.1	38.2	33.0	25.4	49.5	29.3	34.2
HR-Cascade^［23］	32.6	17.3	11.1	54.7	42.4	35.3	32.7	24.1	46.5	28.2	32.5
MSC-CenterNet^［23］	33.7	15.2	12.1	55.2	40.5	34.1	29.2	21.6	42.2	27.5	31.1
FPN^［24］	33.0	25.8	13.9	69.4	40.0	34.3	27.4	13.4	49.1	37.6	35.6
YOLOv3^［24］	18.1	9.9	2.0	56.6	17.5	17.6	6.7	2.9	32.4	17.0	17.1
SlimYOLOv3^［25］	17.4	9.3	2.4	55.7	18.3	16.9	9.1	3.0	26.9	17.0	17.6
YOLOv3-LITE^［26］	34.5	23.4	7.9	70.8	31.3	21.9	15.3	6.2	40.9	32.7	28.5
YOLOv4^［27］	24.8	12.6	8.6	64.3	22.4	22.7	11.4	7.6	44.3	21.7	30.7
Modifies YOLOv4^［27］	28.2	15.9	5.8	65.7	25.2	26.1	13.8	8.1	40.2	26.1	32.5
YOLOv5s^［28］	40.8	32.6	13.6	74.6	37.6	32.8	21.9	12.5	44.9	40.0	35.1
MSA-YOLO^［29］	33.4	17.3	11.2	76.8	41.5	41.4	14.8	18.4	60.9	31.0	34.7
YOLOv8^［29］	50.2	39.7	21.3	74.8	50.5	46.2	33.3	22.1	67.4	45.3	45.1
本文算法	52.8	43.2	19.6	84.1	49.5	41.0	34.2	17.0	62.1	53.4	45.7

表5 UAVDT-M数据集上不同目标检测算法的对比实验结果

Tab. 5 Comparison experimental results of different target detection algorithms on UAVDT-M dataset

算法	精确率/%	召回率/%	mAP₅₀/%	mAP_50-95/%	参数量/10⁶	模型大小/MB	GFLOPs
YOLOv3-tiny	92.3	75.9	87.3	65.2	12.1	24.4	18.9
YOLOv5s	97.6	96.7	99.1	80.1	9.1	17.7	24.0
YOLOv6s	97.4	96.8	99.1	81.2	16.3	32.8	44.9
YOLOv8s	97.7	97.2	99.2	83.8	11.1	21.5	28.7
本文算法	98.8	98.5	99.4	85.7	14.1	28.6	42.6

图7 不同算法的精确率和mAP对比实验结果（VAVDT-M）

Fig. 7 Comparison experimental results of different algorithms in precision and mAP （VAVDT-M）

表6 本文算法各模块的消融实验结果（VisDrone2019）

Tab.6 Ablation experimental results of different modules in proposed algorithm （VisDrone2019）

算法	WIoUv3	CPMS	MultiSEAM	C2f-RFE	精确率/%	召回率/%	mAP₅₀/%	mAP_50-95/%	模型大小/MB	参数量/10⁶	GFLOPs
A					50.9	38.2	39.3	23.5	22.5	11.1	28.5
B	√				51.3	38.6	40.0	23.6	22.5	11.1	28.7
C	√	√			53.2	39.7	40.2	23.4	23.8	11.7	29.6
D	√	√	√		55.1	42.3	44.8	26.4	29.0	14.3	39.1
E	√	√	√	√	56.8	44.0	45.6	27.1	28.4	14.1	39.9

表7 不同小目标检测算法的性能比较

Tab.7 Performance comparison of different target detection algorithms

算法	mAP₅₀/%	GFLOPs	帧率/（frame·s^-1）
YOLOv5s	33.5	7.2	41.3
YOLOv8m	43.7	78.7	82.7
YOLOv8l	44.5	165.4	63.3
YOLOv8s	39.3	28.5	100.3
BGF-YOLOv10^［30］	42.0	—	44.0
YOLO-DroneMS^［31］	31.2	—	83.3
本文算法	45.7	39.9	108.5

图8 低光照夜间环境

Fig.8 Low-light night-time environment

图9 复杂背景环境

Fig.9 Complex background environment

参考文献 31

[1]	GANESAN R， RAAJINI X M， NAYYAR A， et al. BOLD： bio-inspired optimized leader election for multiple drones［J］. Sensors， 2020， 20（11）： No.3134.
[2]	BAI Y， ZHAO H， ZHANG X， et al. Towards autonomous multi-UAV wireless network： a survey of reinforcement learning-based approaches［J］. IEEE Communications Surveys and Tutorials， 2023， 25（4）： 3038-3067.
[3]	GUPTA A， AFRIN T， SCULLY E， et al. Advances of UAVs toward future transportation： the state-of-the-art， challenges， and opportunities［J］. Future Transportation， 2021， 1（2）： 326-350.
[4]	HILDMANN H， KOVACS E. Review： using Unmanned Aerial Vehicles （UAVs） as Mobile Sensing Platforms （MSPs） for disaster response， civil security and public safety［J］. Drones， 2019， 3（3）： No.59.
[5]	TRAN T M， VU T N， NGUYEN T V， et al. UIT-ADrone： a novel drone dataset for traffic anomaly detection［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2023， 16： 5590-5601.
[6]	LU F， LI K， NIE Y， et al. Object detection of UAV images from orthographic perspective based on improved YOLOv5s［J］. Sustainability， 2023， 15（19）： No.14564.
[7]	ZHANG H， SUN W， SUN C， et al. HSP-YOLOv8： UAV aerial photography small target detection algorithm［J］. Drones， 2024， 8（9）： No.453.
[8]	NI J， ZHU S， TANG G， et al. A small-object detection model based on improved YOLOv8s for UAV image scenarios［J］. Remote Sensing， 2024， 16（13）： No.2465.
[9]	LUO X， WU Y， ZHAO L. YOLOD： a target detection method for UAV aerial imagery［J］. Remote Sensing， 2022， 14（14）： No.3240.
[10]	LI Y， FAN Q， HUANG H， et al. A modified YOLOv8 detection network for UAV aerial image recognition［J］. Drones， 2023， 7（5）： No.304.
[11]	LOU H， DUAN X， GUO J， et al. DC-YOLOv8： small-size object detection algorithm based on camera sensor［J］. Electronics， 2023， 12（10）： No.2323.
[12]	WANG G， CHEN Y， AN P， et al. UAV-YOLOv8： a small-object-detection model based on improved YOLOv8 for UAV aerial photography scenarios［J］. Sensors， 2023， 23（16）： No.7190.
[13]	WANG F， WANG H， QIN Z， et al. UAV target detection algorithm based on improved YOLOv8［J］. IEEE Access， 2023， 11： 116534-116544.
[14]	刘涛，鞠事宏，高一萌. 基于改进YOLOv8n的无人机视角下小目标检测算法［J］. 计算机应用， 2024， 44（11）： 3603-3609.
	LIU T， JU S H， GAO Y M. Small object detection algorithm from drone perspective based on improved YOLOv8n［J］. Journal of Computer Applications， 2024， 44（11）： 3603-3609.
[15]	MA B， HUA Z， WEN Y， et al. Using an improved lightweight YOLOv8 model for real-time detection of multi-stage apple fruit in complex orchard environments［J］. Artificial Intelligence in Agriculture， 2024， 11： 70-82.
[16]	ZHENG Z， WANG P， REN D， et al. Enhancing geometric factors in model learning and inference for object detection and instance segmentation［J］. IEEE Transactions on Cybernetics， 2022， 52（8）： 8574-8586.
[17]	HUANG H， CHEN Z， ZOU Y， et al. Channel prior convolutional attention for medical image segmentation［J］. Computers in Biology and Medicine， 2024， 178： No.108784.
[18]	YU Z， HUANG H， CHEN W， et al. YOLO-FaceV2： a scale and occlusion aware face detector［J］. Pattern Recognition， 2024， 155： No.110714.
[19]	DENG L， BI L， LI H， et al. Lightweight aerial image object detection algorithm based on improved YOLOv5s［J］. Scientific Reports， 2023， 13： No.7817.
[20]	张智，易华挥，郑锦. 聚焦小目标的航拍图像目标检测算法［J］. 电子学报， 2023， 51（4）： 944-955.
	ZHANG Z， YI H H， ZHENG J. Focusing on small objects detector in aerial images［J］. Acta Electronica Sinica， 2023， 51（4）： 944-955.
[21]	XU H， ZHENG W， LIU F， et al. Unmanned aerial vehicle perspective small target recognition algorithm based on improved YOLOv5［J］. Remote Sensing， 2023， 15（14）： No.3583.
[22]	ALBABA B M， OZER S. SyNet： an ensemble network for object detection in UAV images［C］// Proceedings of the 25th International Conference on Pattern Recognition. Piscataway： IEEE， 2021： 10227-10234.
[23]	DU D， WEN L， ZHU P， et al. VisDrone-DET2020： the vision meets drone object detection in image challenge results［C］// Proceedings of the 2020 European Conference on Computer Vision Workshops， LNCS 12538. Cham： Springer， 2020： 692-712.
[24]	WAN Y， ZHONG Y， HUANG Y， et al. ARSD： an adaptive region selection object detection framework for UAV images［J］. Drones， 2022， 6（9）： No.228.
[25]	ZHANG P， ZHONG Y， LI X. SlimYOLOv3： narrower， faster and better for real-time UAV applications［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision Workshops. Piscataway： IEEE， 2019： 37-45.
[26]	ZHAO H， ZHOU Y， ZHANG L， et al. Mixed YOLOv3-LITE： a lightweight real-time object detection method［J］. Sensors， 2020， 20（7）： No.1816.
[27]	ALI S， SIDDIQUE A， ATEŞ H F， et al. Improved YOLOv4 for aerial object detection［C］// Proceedings of the 29th Signal Processing and Communications Applications Conference. Piscataway： IEEE， 2021： 1-4.
[28]	MA C， FU Y， WANG D， et al. YOLO-UAV： object detection method of unmanned aerial vehicle imagery based on efficient multi-scale feature fusion［J］. IEEE Access， 2023， 11： 126857-126878.
[29]	冒国韬，邓天民，于楠晶. 基于多尺度分割注意力的无人机航拍图像目标检测算法［J］. 航空学报， 2023， 44（5）： 273-283.
	MAO G T， DENG T M， YU N J. Object detection in UAV images based on multi-scale split attention［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（5）： 273-283.
[30]	MEI J， ZHU W. BGF-YOLOv10： small object detection algorithm from unmanned aerial vehicle perspective based on improved YOLOv10［J］. Sensors， 2024， 24（21）： No.6911.
[31]	ZHAO X， CHEN Y. YOLO-DroneMS： multi-scale object detection network for Unmanned Aerial Vehicle （UAV） images［J］. Drones， 2024， 8（11）： No.609.

基于信道先验多尺度跨轴注意YOLO的无人机视角下多尺度小目标检测算法

Multi-scale small target detection algorithm for UAV perspective based on channel-prior multi-scale cross-axis attention-YOLO

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 31

相关文章 15

编辑推荐

Metrics

[1]	梁一鸣, 范菁, 柴汶泽. 基于双向交叉注意力的多尺度特征融合情感分类[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2773-2782.
[2]	颜承志, 陈颖, 钟凯, 高寒. 基于多尺度网络与轴向注意力的3D目标检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2537-2545.
[3]	汤恒先, 姚远, 康浩翔. 基于容器的规模化无人机集群仿真引擎研究与实现[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2704-2711.
[4]	陈丹阳, 张长伦. 多尺度去相关的图卷积网络模型[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2180-2187.
[5]	范博淦, 王淑青, 陈开元. 基于改进YOLOv8的航拍无人机小目标检测模型[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2342-2350.
[6]	陈亮, 王璇, 雷坤. 复杂场景下跨层多尺度特征融合的安全帽佩戴检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2333-2341.
[7]	李姝, 刘国庆, 李思远, 秦耀昌. 大范围复杂环境下多无人机的快速全自主探索方法[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2317-2324.
[8]	王向, 崔倩倩, 张晓明, 王建超, 王震洲, 宋佳霖. 改进ConvNeXt的无线胶囊内镜图像分类模型[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 2016-2024.
[9]	陈盈涛, 方康康, 张金敖, 梁浩然, 郭焕斌, 邱兆文. 基于多尺度空间特征的冠状动脉CT血管造影图像分割网络[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 2007-2015.
[10]	周天彤, 郑妍琪, 魏韬, 戴亚康, 邹凌. 融合变分图自编码器与局部-全局图网络的认知负荷脑电识别模型[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 1849-1857.
[11]	姜坤元, 李小霞, 王利, 曹耀丹, 张晓强, 丁楠, 周颖玥. 引入解耦残差自注意力的边界交叉监督语义分割网络[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1120-1129.
[12]	林柄权, 刘磊, 李华峰, 刘晨. DoS攻击下基于APF和DDPG算法的无人机安全集群控制[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1241-1248.
[13]	郭诗月, 党建武, 王阳萍, 雍玖. 结合注意力机制和多尺度特征融合的三维手部姿态估计[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1293-1299.
[14]	令狐鑫瑶, 陈燕, 张鹏程, 刘祎, 桂志国, 赵伟, 董展豪. 基于多尺度引导滤波的宫颈细胞核图像分割[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1333-1339.
[15]	袁宝华, 陈佳璐, 王欢. 融合多尺度语义和双分支并行的医学图像分割网络[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 988-995.