Para resolver o problema de omissões e falsos positivos causados por alvos pequenos densos e de pequeno porte, com fundo complexo, em imagens aéreas de drones, este artigo propõe um algoritmo de detecção aprimorado MCF-YOLO baseado no YOLOv11n. Primeiro, foi projetado um módulo de aprimoramento de características de pequenos alvos MSFE, que mantém alta resolução, aprofunda as camadas convolucionais e introduz conexões residuais para fortalecer a representação das características dos pequenos alvos; em segundo lugar, o módulo C3k2 introduz a atenção de âncoras contextuais (CAA), utilizando convoluções separadas horizontal e verticalmente para capturar dependências espaciais de longo alcance, melhorando a percepção do contexto global e resolvendo problemas de interferência de fundo e ocultação de alvos; por fim, é adotada a função de perda Focaler-DIoU, com um mecanismo dinâmico de ajuste de pesos amostrais, otimizando o processo de regressão da caixa delimitadora, melhorando a precisão da localização dos pequenos alvos e reduzindo falsos positivos e omissões. Resultados experimentais mostram que o algoritmo aprimorado na base de dados VisDrone2019 melhorou a precisão, recall, mAP@0.5 e mAP@0.5:0.95 em 6,7%, 3,1%, 5,6% e 3,9%, respectivamente, em comparação com o modelo base YOLOv11n, superando significativamente outros métodos populares. Além disso, nos testes de generalização nos conjuntos de dados VEDAI e DOTA, o mAP@0.5 do modelo aumentou em 1,2% e 1,3%, respectivamente, comprovando a eficácia e boa adaptabilidade do método proposto em diferentes cenários.

aprendizado profundo;drones;detecção de pequenos alvos;YOLOv11n;reforço de características