Pour résoudre les problèmes de détection manquée et de fausse détection causés par la densité élevée et la petite taille des cibles ainsi que le fond complexe dans les images aériennes par drone, cet article propose un algorithme de détection amélioré MCF-YOLO basé sur YOLOv11n. Tout d'abord, un module de renforcement des caractéristiques des petites cibles MSFE a été conçu, en conservant une haute résolution, en approfondissant les couches convolutionnelles et en introduisant des connexions résiduelles, afin de renforcer la représentation des caractéristiques des petites cibles; ensuite, dans le module C3k2, une attention contextuelle aux ancres (CAA) a été introduite, utilisant des convolutions séparées horizontalement et verticalement pour capturer les dépendances spatiales à longue distance, améliorant la capacité de perception du contexte global et résolvant les problèmes d'interférence de fond et d'occlusion des cibles; enfin, la fonction de perte Focaler-DIoU a été adoptée, avec un mécanisme d'ajustement dynamique du poids des échantillons, optimisant le processus de régression des boîtes englobantes, améliorant ainsi la précision de localisation des petites cibles tout en réduisant les fausses détections et les détections manquées. Les résultats expérimentaux montrent que l'algorithme amélioré, sur le jeu de données VisDrone2019, améliore la précision, le rappel, le mAP@0.5 et le mAP@0.5:0.95 respectivement de 6,7 %, 3,1 %, 5,6 % et 3,9 % par rapport au modèle YOLOv11n de base, surpassant nettement d'autres méthodes courantes. De plus, lors des tests de généralisation sur les jeux de données VEDAI et DOTA, le mAP@0.5 du modèle a augmenté de 1,2 % et 1,3 % respectivement, prouvant l'efficacité et la bonne adaptabilité de la méthode proposée dans différents scénarios.

apprentissage profond;drone;détection de petites cibles;YOLOv11n;renforcement des caractéristiques