Um die Probleme von Fehldetektionen und Übersehen in Drohnen-Luftbildaufnahmen zu adressieren, die durch dichte und kleine Objekte sowie komplexe Hintergründe verursacht werden, schlägt dieser Artikel einen verbesserten MCF-YOLO-Erkennungsalgorithmus basierend auf YOLOv11n vor. Erstens wurde ein kleines Objektmerkmalverstärkungsmodul MSFE entwickelt, das durch Beibehaltung hoher Auflösung, Vertiefung der Faltungsschichten und Einführung von Restverbindungen die Merkmalsdarstellung kleiner Objekte verbessert; zweitens wurde im C3k2-Modul der Kontextankeraufmerksamkeitsmechanismus (CAA) eingeführt, der horizontale und vertikale separierte Faltungen verwendet, um langreichweitige räumliche Abhängigkeiten zu erfassen, wodurch die globale Kontextwahrnehmung verbessert und Hintergrundstörungen sowie Objektverdeckung gelöst werden; schließlich wird die Focaler-DIoU-Verlustfunktion verwendet, die durch die Einführung eines dynamischen Gewichtungsmechanismus für Proben den Prozess der Begrenzungsrahmenregression optimiert und so die Lagegenauigkeit kleiner Objekte verbessert und Fehldetektionen sowie Übersehen reduziert. Die experimentellen Ergebnisse zeigen, dass der verbesserte Algorithmus im VisDrone2019-Datensatz im Vergleich zum Basismodell YOLOv11n die Genauigkeit, den Recall sowie mAP@0.5 und mAP@0.5∶0.95 um 6,8 %, 3,2 %, 6,6 % bzw. 3,9 % erhöht und deutlich besser als andere gängige Methoden abschneidet. Darüber hinaus stieg bei Generalisierungstests auf den Datensätzen VEDAI und DOTA mAP@0.5 des Modells um 1,2 % bzw. 2,2 %, was die Wirksamkeit und gute Anpassungsfähigkeit der vorgeschlagenen Methode in verschiedenen Szenarien beweist.

tiefes Lernen;Drohne;Erkennung kleiner Objekte;YOLOv11n;Merkmalsverstärkung