YOLOv11 改进 - 注意力机制 | LS-YOLO MSFE 多尺度特征提取模块：并行分支结构增强多尺度感知，优化遥感与小目标检测

原创已于 2025-12-09 20:39:34 修改 · 812 阅读

17 GEO检测

标签

#YOLO #目标检测 #深度学习 #计算机视觉 #人工智能

于 2025-11-24 22:59:12 首次发布

最新YOLOv11改进专栏专栏收录该内容

193 篇文章 ¥99.90 ¥299.90

订阅专栏

前言

本文介绍了一种用于滑坡检测的模型LS-YOLO及其在YOLOv11中的结合应用。LS-YOLO首先构建多尺度滑坡数据集MSLD，为模型训练提供丰富数据。设计了基于高效通道注意力、平均池化和空间可分离卷积的多尺度特征提取模块MSFE，充分提取滑坡特征信息。在解耦头中采用膨胀卷积增加模型感受野。我们将MSFE模块集成进YOLOv11，替换部分原有模块。实验表明，改进后的YOLOv11在数据集中表现出色。

文章目录： YOLOv11改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

专栏链接: YOLOv11改进专栏

介绍

摘要

滑坡作为一种分布广泛且破坏性极强的自然灾害，对人类生命安全及自然资产构成严重威胁，因此研究基于遥感影像的高精度滑坡检测方法具有重要的学术价值和实际应用意义。本文提出了一种新颖高效的滑坡检测模型LS-YOLO，专门针对遥感影像中的滑坡识别任务进行优化设计。研究首先构建了多尺度滑坡数据集（MSLD），并在数据增强过程中引入随机种子机制以增强数据鲁棒性。针对遥感影像中滑坡目标的多尺度特性，设计了融合高效通道注意力机制、平均池化操作和空间可分离卷积的多尺度特征提取模块。为进一步扩展模型感受野，在解耦头结构中采用膨胀卷积技术，具体而言，将基于膨胀卷积构建的上下文增强模块集成至解耦头回归任务分支，并以改进后的解耦头替代YOLOv5s原有的耦合头结构。大量实验验证结果表明，所提出的LS-YOLO模型在多尺度滑坡检测任务中展现出卓越性能，显著优于Faster RCNN、SSD、EfficientDet-D0、YOLOv5s、YOLOv7及YOLOX等主流目标检测模型。相较于基准模型YOLOv5s，LS-YOLO在滑坡检测任务中的平均精度（AP）指标提升2.18个百分点，达到97.06%的优异性能水平。