في مواجهة مشكلة التفويت والخطأ في الكشف التي تنشأ عن كثافة وكبر حجم الأهداف الصغيرة وصغر حجمها، بالإضافة إلى الخلفية المعقدة في صور الطائرات بدون طيار، يقترح هذا المقال خوارزمية كشف محسنة MCF-YOLO تعتمد على YOLOv11n. أولاً، تم تصميم وحدة تعزيز ميزات الأهداف الصغيرة MSFE، من خلال الاحتفاظ بدقة عالية، تعميق طبقات الالتفاف وإدخال الاتصالات المتبقية لتعزيز تعبير ميزات الأهداف الصغيرة؛ ثانياً، تم إدخال انتباه نقاط الارتكاز السياقية (CAA) في وحدة C3k2، باستخدام الالتفاف المنفصل أفقيًا وعموديًا لالتقاط الاعتماد المكاني بعيد المدى، مما يعزز القدرة على إدراك السياق العالمي ويحل مشكلة التداخل الخلفي وحجب الأهداف؛ وأخيرًا، تم استخدام دالة خسارة Focaler-DIoU، من خلال إدخال آلية تعديل أوزان العينات الديناميكية، لتحسين عملية انحدار الإطار الحدودي وبالتالي تحسين دقة تحديد الأهداف الصغيرة وتقليل خطأ التفويت والخطأ في الكشف. أظهرت النتائج التجريبية أن الخوارزمية المحسنة على مجموعة بيانات VisDrone2019 حسنت الدقة ونسبة الاستدعاء وmAP@0.5 وmAP@0.5∶0.95 بنسبة 6.8%، 3.2%، 6.6% و3.9% على التوالي مقارنة بنموذج YOLOv11n الأساسي، وكانت متفوقة بشكل كبير على الطرق السائدة الأخرى. بالإضافة إلى ذلك، في اختبار التعميم على مجموعات بيانات VEDAI وDOTA، زادت قيمة mAP@0.5 للنموذج بنسبة 1.2% و2.2% على التوالي، مما يثبت فعالية الطريقة المقترحة وقدرتها الجيدة على التكيف في سيناريوهات مختلفة.

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