Для решения проблемы пропусков и ложных срабатываний при обнаружении плотных и мелких объектов с небольшими размерами и сложным фоном на аэрофотоснимках с беспилотных летательных аппаратов в данной работе предложен усовершенствованный алгоритм обнаружения MCF-YOLO на базе YOLOv11n. Во-первых, разработан модуль усиления признаков мелких объектов MSFE, который за счет сохранения высокого разрешения, увеличения глубины сверточных слоев и введения остаточных связей улучшает представление признаков мелких объектов; во-вторых, в модуль C3k2 введено внимание на контекст якорей (CAA), использующее раздельные горизонтально-вертикальные свертки для захвата дальних пространственных зависимостей, что улучшает восприятие глобального контекста, решая проблемы помех фона и перекрытия объектов; наконец, применяется функция потерь Focaler-DIoU, оптимизирующая процесс регрессии ограничивающей рамки за счет динамической настройки весов образцов, что повышает точность локализации мелких объектов и сокращает пропуски и ложные срабатывания. Экспериментальные результаты показывают, что по сравнению с базовой моделью YOLOv11n на наборе данных VisDrone2019 улучшены точность, полнота, mAP@0.5 и mAP@0.5:0.95 на 6.7%, 3.1%, 5.6% и 3.9% соответственно, существенно превосходя другие популярные методы. Кроме того, при проверке обобщающей способности на наборах данных VEDAI и DOTA mAP@0.5 модели увеличился на 1.2% и 1.3% соответственно, что подтверждает эффективность и хорошую адаптивность предлагаемого метода в различных сценариях.

глубокое обучение;беспилотники;обнаружение мелких объектов;YOLOv11n;усиление признаков