Um das Problem von Fehl- und Nicht-Erkennungen bei kleinen, dichten Zielen mit geringer Größe und komplexem Hintergrund in Drohnen-Luftbildern zu lösen, schlägt diese Arbeit einen verbesserten MCF-YOLO-Erkennungsalgorithmus basierend auf YOLOv11n vor. Zunächst wurde ein kleines Zielmerkmalsverstärkungsmodul MSFE entwickelt, das durch Beibehaltung hoher Auflösung, Vertiefung der Faltungsschichten und Einführung von Restverbindungen die Merkmalsdarstellung kleiner Ziele verbessert; zweitens wurde im C3k2-Modul die kontextuelle Ankeraufmerksamkeit (CAA) eingeführt, die horizontale-vertikale getrennte Faltungen nutzt, um Langstreckenraumabhängigkeiten zu erfassen, die globale Kontextwahrnehmung zu verbessern und Hintergrundstörungen sowie Zielverdeckung zu lösen; schließlich wird die Focaler-DIoU-Verlustfunktion eingesetzt, die durch die Einführung eines dynamischen Stichprobengewichtsregulierungsmechanismus den Rahmenabgrenzungsprozess optimiert, wodurch die Kleinziel-Lokalisierungsgenauigkeit erhöht und Fehl- sowie Nicht-Erkennungen reduziert werden. Experimentelle Ergebnisse zeigen, dass der verbesserte Algorithmus auf dem VisDrone2019-Datensatz im Vergleich zum Basismodell YOLOv11n die Genauigkeit, den Rückruf, mAP@0.5 und mAP@0.5:0.95 um 6,7 %, 3,1 %, 5,6 % bzw. 3,9 % verbessert, was signifikant besser als andere gängige Methoden ist. Darüber hinaus wird in Generalisierungstests auf den Datensätzen VEDAI und DOTA der mAP@0.5 des Modells um 1,2 % bzw. 1,3 % erhöht, was die Wirksamkeit und gute Anpassungsfähigkeit der vorgeschlagenen Methode in verschiedenen Szenarien beweist.

tiefes Lernen;Drohnen;Kleinzielekennung;YOLOv11n;Merkmalsverstärkung