Angesichts der Probleme kleiner Zielgrößen im Außeneinsatz, schwacher Texturinformationen, komplexer Hintergrundstörungen und deutlicher Abweichungen bei der Begrenzungsrahmen-Positionierung wird ein Algorithmus zur Erkennung kleiner Ziele im Freien basierend auf einem verbesserten YOLO11n vorgeschlagen. Zunächst wird ein adaptives Subpixel-Upsampling-Modul ASU eingeführt, das durch Subpixel-Rearrangement und Aufmerksamkeitsmasken die Kanten- und Texturdetails kleiner Ziele verstärkt; zweitens wird ein multiskaliges Salienzverstärkungsmodul MultiSEM eingeführt, das durch multiskalige dilatierte Faltungen und doppelte Pooling-Kanalaufmerksamkeit die Reaktion auf kleine Zielbereiche verstärkt und komplexe Hintergrundstörungen unterdrückt; schließlich wird die Salienz-Index-IoU-Verlustfunktion SE-CIoU entwickelt, die durch die Einführung einer Strafe für den Zentraldistanzindex und okklusionsbewussten Formzwängen die Lokalisierungsgenauigkeit und -stabilität kleiner Ziele verbessert. Experimentelle Ergebnisse zeigen, dass auf dem eigens erstellten WDD-Datensatz die Genauigkeit, der Rückruf und der mAP@0.5 des verbesserten Algorithmus jeweils 88,8%, 91,4% und 94,0% betragen, was eine Steigerung von 0,6%, 6,6% bzw. 3,3% gegenüber dem Basisnetzwerk YOLO11n bedeutet; Generalisierungsexperimente auf dem iWildCam2022-Small-Datensatz zeigen einen mAP@0.5 von 64,5%, was eine Verbesserung um 3,7% gegenüber YOLO11n darstellt. Der vorgeschlagene Algorithmus kann bei Beibehaltung eines leichtgewichtigen Erkennungsrahmens die Detaildarstellung, Salienzreaktion und Begrenzungsrahmen-Lokalisierungsfähigkeit kleiner Ziele im Freien effektiv verstärken, die Erkennungsgenauigkeit in komplexen Freiluftszenen verbessern und besitzt eine gewisse Generalisierungsfähigkeit.

kleine Ziele im Freien;Zielerkennung;YOLO11n;Subpixel-Upsampling;Begrenzungsrahmen-Regressions