A detecção de alvos em imagens de drones é amplamente aplicada em muitos campos, mas devido ao complexo fundo da imagem, alta densidade de alvos e variações drásticas de escala, os algoritmos atuais de detecção de alvos em imagens de drones não são suficientemente precisos. Para resolver esses problemas, foi proposta uma metodologia de detecção de alvos em imagens de drones que combina autoatenção e amostragem ramificada. Primeiro, foi projetada uma estrutura residual aninhada que integra autoatenção e convolução para realizar uma combinação eficaz de informações globais e locais, permitindo que o modelo se concentre nos alvos a serem detectados e atenuando o impacto do fundo complexo. Em segundo lugar, foi desenvolvido um módulo de fusão de características baseado em amostragem ramificada para compensar a perda de informações dos alvos. Por fim, foi introduzido um mapa de características granulares superficiais, adicionando uma cabeça de detecção aprimorada para pequenos alvos, a fim de aliviar as mudanças drásticas de escala, e com base nisso, propôs-se um módulo de reforço de características para capturar mais características discriminativas de pequenos alvos. Os experimentos demonstraram que o algoritmo proposto apresenta bom desempenho em diversos cenários. O modelo s alcançou mAP₅₀ e mAP de 59,3% e 37,1% respectivamente no conjunto de dados VisDrone2019, representando um aumento de 5,6% e 5,4% em comparação com o modelo base, e mAP₅₀ e mAP de 44,1% e 24,9% no conjunto de dados UAVDT, melhorando 5,8% e 3,2% em relação ao modelo base.

imagens de drones;autoatenção;amostragem ramificada;múltiplas escalas;fusão de características