Debido al rápido desarrollo del aprendizaje profundo, el rendimiento de la detección de objetos ha mejorado considerablemente. Sin embargo, la detección de objetos en imágenes de Vehículos Aéreos No Tripulados de alta resolución sigue siendo un problema desafiante por tres razones principales: (1) los objetos en las imágenes aéreas tienen diferentes escalas y suelen ser pequeños; (2) las imágenes son de alta resolución, pero las redes de detección de objetos de última generación son de tamaño fijo; (3) los objetos no están distribuidos uniformemente en las imágenes aéreas. Con este fin, proponemos un marco de Detección de Selección de Regiones Adaptativas en dos etapas en este artículo. Primero se aplica una Red de Detección de Regiones Globales para localizar de manera aproximada el objeto. Luego, se diseñan un algoritmo de agrupamiento de objetivos basado en la densidad de puntos fijos y un algoritmo de selección adaptativa para seleccionar subregiones densas en objetos. Las subregiones densas en objetos se envían a una Red de Detección de Regiones Clave donde los resultados se fusionan con los resultados de la primera etapa. Experimentos extensivos y evaluaciones exhaustivas en los conjuntos de datos de referencia VisDrone2021-DET demuestran la efectividad y adaptabilidad del marco propuesto. Los resultados experimentales muestran que el marco propuesto supera, en términos de precisión media promedio (mAP), a los métodos de referencia existentes en un 2.1% sin un consumo adicional de tiempo.