نظرًا لمشكلة انخفاض نسبة بكسلات الأهداف الصغيرة في صور الأشعة تحت الحمراء في السيناريوهات المعقدة، وعدم وضوح التفاصيل المميزة مما يؤدي إلى صعوبة في استخراج ميزات الهدف وانخفاض دقة الكشف، تم اقتراح طريقة لرصد الأهداف الصغيرة في الخلفيات المعقدة بالأشعة تحت الحمراء تعتمد على آلية الانتباه. تعتمد هذه الطريقة على شبكة YOLOv5، حيث تم تصميم وحدة توجه الانتباه SimAMC3 لتحسين طبقات استخراج الميزات في الشبكة؛ تم تصميم رأس الكشف عن الأهداف، من خلال إضافة طبقات دمج الميزات لتغيير العمق الذي تبدأ منه طبقات استخراج الميزات، مما يوفر طبقة جديدة لرصد الأهداف الصغيرة، مما يُمكّن الطبقات السطحية من الاحتفاظ بشكل أفضل بالمعلومات المكانية للأهداف الصغيرة؛ تم تحسين طريقة تصفية إطارات التنبؤ لزيادة دقة الكشف عن الأهداف القريبة أو المتداخلة. اختير مجموعتا بيانات صور الأهداف الصغيرة بالأشعة تحت الحمراء SIRST للقيام بالتعليقات والتدريب. أظهرت النتائج التجريبية أن الخوارزمية المحسنة تحسنت في المتوسط ​​بنسبة الدقة المتوسطة (mAP) بمقدار 4.8% و7.1% مقارنة بخوارزمية YOLOv5 الأصلية، ويمكنها الكشف بفعالية عن الأهداف الصغيرة في الخلفيات المعقدة المختلفة، مما يعكس متانة وتأقلم جيدين، ويمكن استخدامها بفعالية في رصد الأهداف الصغيرة بالأشعة تحت الحمراء في الخلفيات المعقدة.

التعلم العميق; الأهداف الصغيرة بالأشعة تحت الحمراء; رصد الأهداف; آلية الانتباه