غالبًا ما تتأثر عملية اكتشاف الأهداف الصغيرة في صور الطائرات بدون طيار الجوية بعوامل مثل صغر حجم الهدف، وتعقيد البيئة الخلفية، والقيود على موارد الحوسبة. تعاني نماذج الكشف عن الأهداف للطائرات بدون طيار الحالية من مشاكل في الدقة، ويصعب تحقيق توازن جيد بين دقة الكشف وكفاءة الكشف. لمواجهة هذه التحديات، قدمت هذه الورقة خوارزمية اكتشاف الأهداف الصغيرة HMD-YOLO المحسنة بناءً على YOLOv11s. أولاً، تم تصميم وحدة HR-MSCA (الانتباه الالتفافي متعدد المقاييس عالي الدقة) التي تحقق تحسين الكشف عن الأهداف الصغيرة من خلال تكامل تعزيز الدقة والانتباه متعدد المقاييس. ثانيًا، تم استبدال جهاز التكبير في عنق النموذج بجهاز LiteSample الخفيف والفعال بدلاً من جهاز التكبير الأصلي. بالإضافة إلى ذلك، تم تصميم دالة خسارة Wise-IoU لتحسين دقة إطار خسارة الحدود وأداء النموذج. وأخيرًا، تم إدخال رأس الكشف الديناميكي لتعزيز دقة الكشف عن الأهداف الصغيرة داخل النموذج بشكل إضافي. أظهرت نتائج التجارب على مجموعة بيانات VisDrone2019 أن النموذج المحسن حقق 49.98% و30.73% في مؤشرات mAP@0.5 وmAP@0.95 على التوالي، بزيادة 12.15% و8.22% مقارنة بـ YOLO v11s. تثبت النتائج فعالية الطريقة المحسنة. كما أجريت تجارب تعميم على مجموعة بيانات TinyPerson، وأظهرت النتائج تحسنًا واضحًا في دقة الكشف.

كشف الطائرات بدون طيار الجوية؛ التعرف على الأهداف الصغيرة؛ YOLOv11؛ HMD-YOLO