DGNN-YOLO：面向遮挡小目标的动态图神经网络检测与追踪方法解析

一、算法结构与核心贡献

1.1 文章结构

采用经典五段式结构：

1. ​引言：分析智能交通系统（ITS）中小目标检测与追踪的挑战，提出研究动机。
2. ​相关工作：综述小目标检测（YOLO系列、Faster R-CNN）、目标追踪（SORT、Transformer）和图神经网络（GNN）的进展。
3. ​方法论：提出DGNN-YOLO框架，详细描述YOLO11检测模块、动态图构建、DGNN追踪模块及XAI技术。
4. ​实验验证：在i2数据集上测试精度、召回率、mAP等指标，对比主流算法并可视化可解释性结果。
5. ​结论与展望：总结成果，指出极端天气场景下的局限性及未来优化方向。

1.2 核心创新点

1. ​YOLO11+DGNN双流架构：首次将动态图神经网络与YOLO最新版本结合，实现检测-追踪一体化。
2. ​实时动态图更新机制：通过节点（目标属性）和边（交互关系）的动态调整，解决遮挡与轨迹突变问题。</