드론 항공 이미지에서 작은 물체 검출은 작고 복잡한 배경, 제한된 계산 자원 등 여러 도전과제에 직면해 있습니다. 기존 드론 물체 검출 모델들은 대부분 정확도가 낮고, 검출 정확도와 효율성 사이의 균형을 이루기가 어렵습니다. 이를 해결하기 위해 본 논문은 YOLO11을 개선한 경량화된 작은 물체 검출 알고리즘 ACFI-YOLO11(Attention-based Cross-layer Feature Interaction-YOLO11)을 제안합니다. 먼저, 더 높은 해상도의 특징 맵을 도입하여 극소형 물체에 대한 모델의 인지 능력을 강화하는 Tiny Head 분기를 설계했습니다. 둘째, 주목(attention)을 기반으로 한 새로운 교차 층 간 정보 상호작용 모듈 ACFI를 제안하였으며, 설계된 층 특징 집계 모듈(Layer Feature Aggregation, LFA)과 Transformer 인코더를 기반으로 현재 층 특징과 인접 두 층 특징 간의 직접적인 정보 상호작용을 수행하여, 원래 모델의 넥 네트워크가 한 층씩 전달하며 이전 층 특징에만 집중하여 층 간 특징 연관성을 충분히 활용하지 못하는 단점을 보완하고 모델 표현 능력을 향상시켰습니다. 마지막으로 전통적 합성곱을 대체하는 SPD(Space-to-Depth) 합성곱을 도입하여 모델 파라미터 수와 계산량을 줄이고, 다운샘플링 과정에서 중요한 공간 정보를 유지하여 작은 물체 검출 정확도를 높였습니다. VisDrone2021 데이터셋 실험 결과 ACFI-YOLO11은 YOLO11s 대비 AP_S, AP_XS, mAP_50, mAP_50-95에서 각각 4.2%, 3.5%, 5.2%, 4.0%의 향상을 보였으며, mAP_50-95는 다른 비교 알고리즘 대비 31.7%로 우수함을 나타냈습니다. 또한 UAVDT 데이터셋에서의 비교 실험을 통해 ACFI-YOLO11의 우수성이 재검증되었으며, mAP_50-95가 83.3%로 다른 최신 알고리즘 대비 월등함을 확인하였습니다. 실험 결과는 ACFI-YOLO11이 모델 경량화와 동시에 검출 성능을 크게 향상시켜 드론 항공 이미지 내 작은 물체 검출에 효율적이고 실용적인 솔루션을 제공함을 보여줍니다.

작은 물체 검출; 드론; YOLO11; 특징 융합; Transformer