غالبًا ما تتأثر عملية اكتشاف الأهداف الصغيرة في صور الطائرات بدون طيار الجوية بعوامل مثل صغر حجم الهدف، تعقيد البيئة الخلفية، وقيود الموارد الحاسوبية. تواجه نماذج الكشف عن الأهداف في الطائرات بدون طيار الحالية مشاكل في الدقة، ومن الصعب تحقيق توازن جيد بين دقة الكشف وكفاءته. لمواجهة هذه التحديات، اقترحت هذه الورقة خوارزمية كشف الأهداف الصغيرة المحسنة القائمة على YOLOv11s — HMD-YOLO. أولًا، تم تصميم وحدة HR-MSCA (الانتباه التلافيفي متعدد المقاييس عالي الدقة) التي تحقق تحسين اكتشاف الأهداف الصغيرة من خلال الدمج بين تعزيز الدقة والانتباه التلافيفي متعدد المقاييس؛ ثانيًا، استُبدل العينة العلوية الأصلية للنموذج في العنق بعينة علوية خفيفة وفعالة تسمى Litesample؛ بالإضافة إلى ذلك، تم تصميم دالة خسارة Wise-IoU لزيادة دقة خسارة الإطار وتحسين أداء النموذج؛ وأخيرًا، تم إدخال رأس كشف ديناميكي لتعزيز دقة كشف الأهداف الصغيرة. أظهرت نتائج التجارب على مجموعة بيانات VisDrone2019 أن النموذج المحسن حقق 49.98٪ و30.73٪ في mAP@0.5 و mAP@0.95 على التوالي، بزيادة قدرها 12.15٪ و8.22٪ مقارنة بـ YOLO v11s. تؤكد النتائج فعالية الطريقة المحسنة. أجريت تجارب تعميم على مجموعة بيانات TinyPerson وأظهرت النتائج تحسنًا ملحوظًا في دقة الكشف.

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