Para abordar el problema de la omisión y los falsos positivos causados por objetivos pequeños, densos y de tamaño reducido, con fondos complejos en imágenes aéreas de drones, este artículo propone un algoritmo de detección mejorado MCF-YOLO basado en YOLOv11n. Primero, se diseñó un módulo de mejora de características de objetivos pequeños MSFE, que mediante la conservación de alta resolución, el aumento de capas convolucionales y la introducción de conexiones residuales, mejora la representación de características de objetivos pequeños; segundo, en el módulo C3k2 se introdujo la atención de anclaje contextual (CAA), que utiliza convoluciones separadas horizontal y verticalmente para capturar dependencias espaciales a larga distancia, mejorando la percepción del contexto global y resolviendo problemas de interferencia de fondo y oclusión de objetivos; finalmente, se adoptó la función de pérdida Focaler-DIoU, mediante la introducción de un mecanismo dinámico de ajuste de pesos de muestras para optimizar el proceso de regresión del cuadro delimitador, mejorando así la precisión de localización de objetivos pequeños y reduciendo falsos negativos y falsos positivos. Los resultados experimentales muestran que el algoritmo mejorado en el conjunto de datos VisDrone2019 mejora la precisión, el recall, mAP@0.5 y mAP@0.5:0.95 en un 6.7 %, 3.1 %, 5.6 % y 3.9 % respectivamente en comparación con el modelo base YOLOv11n, superando significativamente otros métodos populares. Además, en las pruebas de generalización en los conjuntos de datos VEDAI y DOTA, el mAP@0.5 del modelo aumentó en un 1.2 % y 1.3 % respectivamente, demostrando la efectividad y buena adaptabilidad del método propuesto en diferentes escenarios.

aprendizaje profundo;drones;detección de pequeños objetivos;YOLOv11n;mejora de características