中国科学院上海微系统与信息技术研究所研究员李嘉茂、朱冬晨团队在复杂场景弱小目标智能感知领域取得突破性进展，提出了一种基于自适应小波增强的动态多分支目标检测模型DAWDet，通过设计多项针对性机制有效提升弱小目标检测性能。相关研究成果近日发表于《模式识别》。

目标检测是具身智能实现场景理解与环境交互的基石。在无人机侦察等典型应用中，所获取的图像中往往包含着大量微小且密集的关键目标。相较于常规尺度目标，小目标因像素占比极低，普遍面临特征表达能力弱、高质量正样本稀疏、信息丢失严重等固有挑战。然而，当前主流的先进检测模型多针对通用场景设计，在小目标检测任务上存在明显的性能瓶颈。

研究团队设计了一种基于动态内容感知的多分支特征金字塔网络，通过自适应内容感知点采样以及精细化的网络拓扑结构，来获取更加丰富的小目标位置信息和语义信息。

进一步地，研究团队提出了一种自适应匹配的标签分配策略，对不同质量的目标预测框进行差异性建模，通过重叠转换函数提升高质量小目标样本的回归分数。此外，研究团队在特征融合阶段设计了多个轻量的小波变换下采样层，针对性地捕捉小目标低频全局和高频局部细节信息，以此提升小目标特征信息的利用率。

测试结果显示，该模型在无人机场景数据集Visdrone-2019、可见光-热红外数据集RGBT-Tiny以及驾驶场景数据集SODA-D中，性能全面超越目前先进目标检测器，在检测精度和模型规模方面均体现了明显优势，同时展现了在红外数据上的良好泛化性。

团队方法在RGBT-Tiny数据集（2025）上达到最优性能。研究团队供图

相关论文信息：https://doi.org/10.1016/j.patcog.2025.112979