Debido a los desafíos planteados por el tamaño y características limitadas, problemas de posición y ruido, y desequilibrio y simplicidad de conjuntos de datos, la detección de objetos pequeños es una de las tareas más desafiantes en el campo de la detección de objetos. Como resultado, un número creciente de investigadores se está enfocando en esta área. En este documento, proponemos un marco de detección Direccional Mejorado Adaptativo (DEA) para objetivos pequeños. Este marco combina de manera efectiva las ventajas de precisión de detección de métodos de dos etapas con las ventajas de velocidad de detección de métodos de una etapa. Además, presentamos un módulo de Rebanado Adaptativo de Objetos a Múltiples Escalas (MASA) y un módulo de agregación mejorado basado en IoU que se integran con este marco para mejorar el rendimiento de detección. Para una mejor comparación, utilizamos la puntuación F1 como una de las métricas de evaluación. Los resultados experimentales demuestran que nuestro marco DEA mejora el rendimiento de varias redes de detección de base y logra un mejor rendimiento de detección integral que otros métodos propuestos, a pesar de que nuestra red no ha sido entrenada en el conjunto de datos de prueba mientras que otros sí lo han sido.