لحل مشكلة الفقدان والكشف الخاطئ للأهداف الصغيرة ذات الكثافة العالية والأحجام الصغيرة والخلفية المعقدة في صور الطائرات بدون طيار الجوية، يقترح هذا البحث خوارزمية كشف محسنة MCF-YOLO تعتمد على YOLOv11n. أولاً، تم تصميم وحدة تعزيز ميزات الأهداف الصغيرة MSFE، من خلال الحفاظ على الدقة العالية، تعميق طبقات الالتفاف وإدخال الاتصالات المتبقية، لتعزيز تمثيل ميزات الأهداف الصغيرة؛ ثانيًا، تم إدخال الانتباه إلى نقطة السياق (CAA) في وحدة C3k2، باستخدام التفاف الانفصال الأفقي والعمودي لالتقاط الاعتماد المكاني طويل المدى، وتعزيز القدرة على إدراك السياق العالمي، ومعالجة مشاكل تداخل الخلفية وحجب الهدف؛ أخيرًا، تم استخدام دالة خسارة Focaler-DIoU، من خلال إدخال آلية تعديل وزن العينة الديناميكي، لتحسين عملية الانحدار لإطار الحدود، وبالتالي تحسين دقة تحديد موقع الأهداف الصغيرة وتقليل الأخطاء والفقدان. تظهر النتائج التجريبية أن الخوارزمية المحسنة في مجموعة بيانات VisDrone2019 تحسنت الدقة والاستدعاء وmAP@0.5 وmAP@0.5:0.95 بنسبة 6.7٪ و3.1٪ و5.6٪ و3.9٪ مقارنة بنموذج YOLOv11n الأساسي، متفوقة بشكل ملحوظ على الطرق الشائعة الأخرى. بالإضافة إلى ذلك، في اختبارات التعميم في مجموعات بيانات VEDAI وDOTA، زادت قيمة mAP@0.5 للنموذج بنسبة 1.2٪ و1.3٪ على التوالي، مما يثبت فعالية وقابلية التكيف الجيدة للطريقة المقترحة في سيناريوهات مختلفة.

التعلم العميق;الطائرات بدون طيار;كشف الأهداف الصغيرة;YOLOv11n;تعزيز الميزات