摘要—无人机图像中的小目标检测由于分辨率低和背景融合等因素具有挑战性，导致特征信息有限。多尺度特征融合可以通过捕获不同尺度的信息来增强检测，但传统策略效果不佳。简单的连接或加法操作无法充分利用多尺度融合的优势，导致特征之间的相关性不足。这种不足阻碍了小目标的检测，尤其是在复杂背景和人口密集的区域中。为了解决这一问题并高效利用有限的计算资源，我们提出了一种基于增强层间特征相关性（EFC）的轻量级融合策略，以替代特征金字塔网络（FPN）中的传统特征融合策略。特征金字塔中不同层的语义表达不一致。在EFC中，分组特征聚焦单元（GFF）通过关注不同特征的上下文信息来增强每层的特征相关性。多级特征重建模块（MFR）有效地重建和转换金字塔中每层的强弱信息，以减少冗余特征融合并保留深层网络中有关小目标的更多信息。值得注意的是，所提出的方法是即插即用的，可以广泛应用于各种基础网络。在VisDrone、无人机基准目标检测和跟踪（UAVDT）以及微软通用对象在上下文中（COCO）的广泛实验和全面评估证明了该方法的有效性。使用在VisDrone数据集上