🔬 Un equipo propone BMDnet, un modelo basado en YOLOv11n para detectar objetos pequeños en imágenes aéreas de drones. En VisDrone2019, elevó 3,5 puntos el mAP50 y 2,2 puntos el mAP50–95, con un aumento moderado del coste computacional. Las pruebas en HIT-UAV apuntan a que puede generalizar.
Las imágenes tomadas por drones presentan objetos de tamaños muy distintos, bordes poco definidos y fondos complejos. BMDnet busca afrontar esos problemas con tres cambios: una red de fusión multiescala bidireccional, un módulo que refuerza la información de bordes y una cabeza de atención dinámica.
La red BIMAFPN mejora el intercambio de rasgos entre capas. El módulo MEIE refuerza las estructuras finas, mientras la cabeza DAH ajusta los rasgos según escala, posición y tarea. En conjunto, el modelo busca equilibrar precisión de detección y coste computacional.
✅ BMDnet sugiere que combinar fusión, bordes y atención puede mejorar la detección de objetos pequeños en imágenes de drones. El límite es que los resultados citados proceden de los conjuntos VisDrone2019 y HIT-UAV, y el resumen no cuantifica el aumento del coste computacional.
