一句话结论：在SeaDronesSee海上救援基准上，将YOLO11n的边界框回归损失从CIoU替换为FSEIoU，mAP50提升1.6个百分点、mAP50-95提升0.7个百分点，且不增加任何推理开销。配合FOE-YOLO的轻量化颈部设计，整体模型在GFLOPs降低28.6%的前提下，mAP50和mAP50-95分别比基线YOLO11n高出2.4%和1.5%。
一、为什么海上救援的边界框回归，CIoU/EIoU不够用了？
1.1 海上小目标的三重“信号衰减”
无人机海上搜救的检测目标——落水人员、小型救生筏——在图像中通常只有十几个到几十个像素。海面镜面反射造成的高光过曝、波浪纹理形成的动态背景、以及逆光/阴天带来的剧烈光照变化，会从三个层面同时压缩小目标的可用信号。标准YOLO11骨干网络中的渐进式下采样会进一步削弱这些本就微弱的细粒度特征，导致小目标的边界框在回归过程中“漂移”甚至“坍缩”。
1.2 CIoU的固有局限：纵横比惩罚的“双刃剑”
YOLO11默认使用CIoU作为定位损失。CIoU在IoU基础上引入了中心点距离和纵横比一致性惩罚，对大中型目标效果稳定。但在海上救援场景中，落水人员的边界框纵横比高度接近1:1且尺寸极小，纵横比惩罚项所提供的梯度信号非常微弱；更关键的是，CIoU对所有锚框—目标对“一视同仁”地施加梯度，在严重的
