Para abordar el problema de la detección insuficiente de objetivos, especialmente objetivos pequeños, en imágenes de drones utilizando modelos de detección existentes, este artículo propone un modelo liviano de detección de pequeños objetivos PRSU-YOLO. Primero, se diseñó un módulo convolucional adaptativo con estructura de molino de viento para mejorar la capacidad de extracción de características finas; en segundo lugar, se construyó un módulo convolucional de espacio-canal reparametrizado que optimiza la representación multiescala mediante la reconstrucción dinámica de características; además, se incorporó una rama de refuerzo para la detección de pequeños objetivos en la red del cuello, construyendo una ruta de refuerzo de características detalladas de alta resolución; por último, se introdujo una función de pérdida dinámica de la relación de intersección y unión, permitiendo que el modelo ajuste de manera adaptativa la estrategia de regresión del cuadro delimitador. Basado en un aumento de complejidad computacional de solo 14.6 GFLOPS, nuestro modelo alcanzó un mAP@0.5 del 37.4% en el conjunto de datos VisDrone2019, un aumento del 4.4% con respecto al modelo base; en el conjunto TinyPerson, la precisión alcanzó el 34.5%, aumentando un 3.5%. Los resultados experimentales muestran que este modelo mejora significativamente la capacidad de detección al tiempo que controla eficazmente el costo computacional, proporcionando una solución efectiva para las tareas de detección de objetivos en escenarios de observación terrestre con drones.

visión por computadora;imágenes de drones;detección de pequeños objetivos;refuerzo de características