Um Probleme wie kleine Zielgrößen im Freien, schwache Texturinformationen, komplexe Hintergrundstörungen und deutliche Abweichungen bei der Begrenzungsrahmen-Lokalisierung zu adressieren, wird ein kleines Outdoor-Objekterkennungsalgorithmus basierend auf verbessertem YOLO11n vorgeschlagen. Zunächst wird ein adaptives Subpixel-Upsampling-Modul (ASU) eingeführt, das durch Subpixel-Rearrangement und Aufmerksamkeitsmasken kleine Objektkanten und Texturdetails verstärkt; zweitens wird ein Mehrskaliger Salienzverstärkungsmodul (MultiSEM) eingeführt, das mit mehrskaligen dilatierten Faltungen und Doppel-Pooling-Kanal-Aufmerksamkeit die Reaktion im kleinen Objektbereich verstärkt und komplexe Hintergrundstörungen unterdrückt; schließlich wird eine Salienzindex-Intersection-over-Union-Verlustfunktion SE-CIoU konstruiert, die durch Einführung einer Strafe für den Abstand zum Zentrum und einer verdeckungsbewussten Formeinschränkung die Lokalisierungsgenauigkeit und Stabilität kleiner Objekte verbessert. Die experimentellen Ergebnisse zeigen, dass das verbesserte Algorithmus auf dem selbstgebauten WDD-Datensatz Genauigkeit, Rückrufrate und mAP@0.5 von jeweils 88,8 %, 91,4 % und 94,0 % erreicht, was eine Steigerung gegenüber dem YOLO11n-Basisnetzwerk um 0,6 %, 6,6 % und 3,3 % darstellt; Generalisierungsexperimente auf dem iWildCam2022-Small-Datensatz zeigen einen mAP@0.5 von 64,5 %, eine Steigerung von 3,7 % gegenüber YOLO11n. Der vorgeschlagene Algorithmus kann die Detaildarstellung, Salienzreaktion und Begrenzungsrahmen-Lokalisierungsfähigkeit kleiner Objekte im Freien effektiv verbessern und dabei ein leichtgewichtiges Erkennungsframework beibehalten, wodurch die Erkennungsgenauigkeit kleiner Objekte in komplexen Freiluftszenen erhöht und eine gewisse Generalisierungsfähigkeit erzielt wird.

kleine Outdoor-Objekte;Objekterkennung;YOLO11n;Subpixel-Upsampling;Begrenzungsrahmen-Regression