يواجه اكتشاف الأهداف الصغيرة في صور الطائرات بدون طيار الجوية تحديات مثل صغر حجم الهدف، تعقيد الخلفية، والقيود على موارد الحوسبة. تواجه معظم نماذج اكتشاف الأهداف للطائرات بدون طيار الحالية انخفاضًا في الدقة، وصعوبة في تحقيق توازن جيد بين دقة الكشف وكفاءته. لحل هذه المشكلة، تقدم هذه الورقة خوارزمية اكتشاف أهداف صغيرة خفيفة الوزن محسّنة تعتمد على YOLO11 تسمى ACFI-YOLO11 (تفاعل الميزات العابرة للطبقات المعتمد على الانتباه - YOLO11). أولًا، تم تصميم فرع Tiny Head لتعزيز قدرة النموذج على استشعار الأهداف الصغيرة جدًا من خلال إدخال خريطة ميزات ذات دقة أعلى؛ ثانيًا، تم اقتراح وحدة تفاعل معلومات عابرة للطبقات قائمة على الانتباه تسمى ACFI، والتي تستخدم وحدة تجميع ميزات الطبقة (LFA) ومشفر Transformer لتبادل المعلومات مباشرة بين ميزات الطبقة الحالية والطبقتين المجاورتين، مما يعالج عيب نموذج الرقبة الأصلي الذي ينقل الميزات طبقة بطبقة مع التركيز فقط على الطبقة السابقة دون استغلال الترابط بين الميزات العابرة للطبقات، مما يعزز قدرة التمثيل للنموذج؛ وأخيرًا، تم إدخال طبقة تلافيف SPD (المساحة إلى العمق) لتحل محل التلافيف التقليدية، مما يقلل من عدد معلمات النموذج وحجم الحوسبة، مع الاحتفاظ بالمعلومات المكانية المهمة أثناء عملية النزل إلى الأسفل، مما يحسن دقة اكتشاف الأهداف الصغيرة. أظهرت نتائج التجارب على مجموعة بيانات VisDrone2021 أن ACFI-YOLO11 حققت تحسينات بنسبة 4.2% و3.5% و5.2% و4.0% على التوالي في AP_S وAP_XS وmAP_50 وmAP_50-95 مقارنة ب YOLO11s، كما تفوقت mAP_50-95 على خوارزميات المقارنة الأخرى بنسبة 31.7%. بالإضافة إلى ذلك، أكدت التجارب المقارنة على مجموعة بيانات UAVDT تفوق ACFI-YOLO11، حيث بلغت mAP_50-95 نسبة 83.3%، متفوقة بشكل ملحوظ على الخوارزميات المتقدمة الأخرى. تظهر نتائج التجارب أن ACFI-YOLO11 تحسّن بشكل ملحوظ أداء الكشف أثناء تحقيق خفة النموذج، مما يوفر حلاً فعالًا وعمليًا لاكتشاف الأهداف الصغيرة في صور الطائرات بدون طيار الجوية.

اكتشاف الأهداف الصغيرة; الطائرات بدون طيار; YOLO11; دمج الميزات; Transformer