Para o problema de múltiplos pequenos alvos difíceis de detectar em imagens aéreas capturadas por drones, foi proposto um modelo de detecção de objetos Transformer sensível à posição (PS-TOD). Um módulo de fusão de características multiescala (MSFF) baseado em incorporação de canal posicional com atenção tridimensional (PCE3DA) foi projetado, onde o PCE3DA utiliza a dependência mútua entre informações espaciais e de canal para gerar atenção tridimensional, fortalecendo a capacidade do modelo de representar características das regiões de interesse. Com base nisso, foi desenvolvido um esquema MSFF cross-layer bottom-up para enriquecer a informação semântica das características fundidas; em seguida, foi projetado um novo mecanismo de autoatenção sensível à posição (PSSA), construindo um codificador-decodificador Transformer sensível à posição, permitindo que o modelo melhore a sensibilidade à posição dos alvos ao capturar dependências de longo alcance do contexto global da imagem. Os resultados experimentais no conjunto de dados aéreo VisDrone mostraram que o modelo proposto alcançou AP de 28,8%, superando o modelo base (DETR) em 4,1%. O modelo pode realizar detecção precisa de objetos em imagens aéreas de drones com fundo complexo, melhorando a detecção de alvos pequenos.

detecção de objetos;imagens de drones;Transformer sensível à posição;fusão de características multiescala;mecanismo de atenção