Face au problème d'une faible proportion de pixels des petites cibles dans les images infrarouges en scénarios complexes et à la faible netteté des détails caractéristiques rendant l'extraction des caractéristiques difficile et la précision de détection faible, une méthode de détection des petites cibles infrarouges dans des contextes complexes basée sur un mécanisme d'attention est proposée. Cette méthode est basée sur le réseau YOLOv5, avec la conception d'un module d'attention SimAMC3 pour optimiser les couches d'extraction des caractéristiques du réseau; une tête de détection des cibles a été conçue, en ajoutant des couches de fusion des caractéristiques pour modifier la profondeur à laquelle commence l'extraction des caractéristiques, obtenant une nouvelle couche de détection des petites cibles qui permet aux couches superficielles de mieux conserver l'information spatiale des petites cibles; la méthode de filtrage des boîtes prédictives a été améliorée pour augmenter la précision de détection des cibles proches ou chevauchantes. Deux ensembles de données d'images infrarouges de petites cibles SIRST ont été sélectionnés pour annotation et entraînement. Les résultats expérimentaux montrent que, comparée à l'algorithme YOLOv5 original, la méthode améliorée a augmenté la moyenne de précision moyenne (mAP) de 4,8% et 7,1%, et détecte efficacement les petites cibles infrarouges dans différents contextes complexes, démontrant une bonne robustesse et adaptabilité, pouvant être appliquée efficacement à la détection des petites cibles infrarouges en contexte complexe.

apprentissage profond; petites cibles infrarouges; détection d’objets; mécanisme d’attention