В связи с проблемами пропуска и ложного срабатывания, вызванными высокой плотностью и малым размером мелких целей и сложным фоном в аэрофотосъемке с дронов, в данной статье предлагается усовершенствованный алгоритм обнаружения MCF-YOLO на основе YOLOv11n. Во-первых, разработан модуль усиления признаков мелких целей MSFE, который за счет сохранения высокого разрешения, увеличения глубины сверточных слоев и введения остаточных связей усиливает представление признаков мелких целей; во-вторых, в модуль C3k2 введено контекстное анкерное внимание (CAA), использующее горизонтально-вертикально раздельные свертки для захвата дальних пространственных зависимостей, улучшая глобальное контекстное восприятие и решая проблему фоновых помех и перекрытия целей; наконец, применена функция потерь Focaler-DIoU с механизмом динамической регулировки весов образцов, оптимизирующая регрессию ограничивающей рамки, что улучшает точность локализации мелких целей и уменьшает количество пропусков и ложных срабатываний. Экспериментальные результаты показывают, что по сравнению с базовой моделью YOLOv11n улучшенный алгоритм на датасете VisDrone2019 повысил точность, полноту, mAP@0.5 и mAP@0.5∶0.95 на 6.8%, 3.2%, 6.6% и 3.9% соответственно и значительно превосходит другие популярные методы. Кроме того, при тестировании обобщающей способности на датасетах VEDAI и DOTA mAP@0.5 модели увеличился на 1.2% и 2.2% соответственно, что подтверждает эффективность предлагаемого метода и его хорошую адаптивность в различных сценариях.

глубокое обучение;дроны;обнаружение мелких целей;YOLOv11n;усиление признаков