文章开放获取 发表时间：2026年8月12日 科学报告（2026年） 引用此文章 我们提供这篇手稿的未编辑版本，以便提前访问其研究成果。在最终发表之前，手稿将进行进一步编辑。请注意，可能存在影响内容的错误，并且所有法律声明均适用。 摘要 在无人机航拍图像中，小物体检测面临着显著的尺度变化、弱边缘信息和复杂背景等挑战。为了解决这些问题，提出了一种名为 BMDnet 的高效模型，该模型基于 YOLOv11n。所提出的方法从特征融合、特征增强和检测优化三个方面引入了协同优化框架。具体而言，设计了一种双向多尺度特征融合网络（BIMAFPN）以增强跨层特征的交互；引入了一种多尺度边缘信息增强模块（MEIE），以加强细粒度结构表现；并采用动态注意力头（DAH）通过尺度感知、空间感知和任务感知机制自适应地细化特征表示。 在 VisDrone2019 数据集上的实验结果表明，BMDnet 分别提高了 mAP50 和 mAP50–95 3.5 和 2.2 个百分点，同时仅略微增加了计算成本。在 HIT-UAV 数据集上的额外实验进一步验证了该模型的泛化能力。结果表明，BMDnet 实现了检测精度与计算效率之间的有效平衡。 资助 本工作得到了安徽省自然科学研究项目的支持，资助编号为 2024AH050213。 作者信息 作者及所属单位 安徽机电职业技术学院，中国芜湖 241002 菲·李，孟·王，张小荣 中国烟草安徽工业有限公司芜湖卷烟厂，中国芜湖 241002 陈晨·余 作者 菲·李 孟·王 陈晨·余 张小荣 通讯作者 联系菲·李。 伦理声明 竞争利益 作者确认，在准备和提交手稿时，他们与任何公司、组织或个人没有金融或非金融竞争利益。 额外信息 出版者声明 施普林格自然在已发表地图和机构隶属关系的管辖权声明方面保持中立。 权利与许可 开放获取 本文在创意共享署名-非商业性-非衍生 4.0 国际许可下获得许可，该许可允许任何非商业用途、共享、分发及以任何媒介或格式复制，只要您对原作者和源给出适当的信用，提供指向创意共享许可的链接，并说明您是否对已获得许可的材料进行了修改。在此许可下，您没有权限共享来自本文或其部分的改编材料。本文中包含的图片或其他第三方材料已包含在本文的创意共享许可中，除非在材料的信用行中另有说明。如果材料不包含在文章的创意共享许可中，并且您计划的使用未被法定规定允许或超过允许的使用，您需要直接从版权持有者处获得许可。要查看此许可证的副本，请访问 http://creativecommons.org/licenses/by-nc-nd/4.0/ 。 转载与许可 关于本文 引用此文章 刘凤，王梅，余晨等。 BMDnet：通过多尺度特征增强和动态注意力的高效无人机小物体检测模型。科学报告（2026年）。https://doi.org/10.1038/s41598-026-65686-z 下载引用 收件时间：2026年6月2日 接受时间：2026年8月3日 发表时间：2026年8月12日 DOI：https://doi.org/10.1038/s41598-026-65686-z 关键词