Los objetos en imágenes satelitales presentan desafíos únicos debido a su baja resolución, pequeño tamaño de píxel, falta de características de textura y distribución densa. Detectar objetos pequeños en imágenes de teledetección satelital es una tarea difícil. Proponemos un nuevo detector que se centra en la información contextual y la fusión de características a múltiples escalas. Inspirados en la noción de que la información contextual circundante puede ayudar a identificar objetos pequeños, proponemos un bloque de convolución contextual ligero basado en convoluciones dilatadas e integrarlo en la red neuronal convolucional (CNN). Integramos bloques de convolución dinámica durante el paso de fusión de características para mejorar el aumento de características de alto nivel. Se emplea un mecanismo de atención para centrarse en las características salientes de los objetos. Hemos realizado una serie de experimentos para validar la efectividad de nuestro modelo propuesto. Notablemente, el modelo propuesto logró una mejora del 3.5% en la precisión media promedio (mAP) en el conjunto de datos de detección de objetos satelitales. Otra característica de nuestro enfoque es el diseño ligero. Empleamos convolución grupal para reducir el costo computacional en el módulo de convolución contextual propuesto. En comparación con el modelo base, nuestro método reduce el número de parámetros en un 30%, el costo computacional en un 34% y una tasa de FPS cercana al modelo base. También validamos los resultados de detección a través de una serie de visualizaciones.