Devido ao problema da baixa proporção de pixels de alvos pequenos em imagens infravermelhas em cenários complexos, e aos detalhes de características pouco evidentes que dificultam a extração das características do alvo e reduzem a precisão da detecção, propõe-se um método de detecção de alvos pequenos infravermelhos em fundos complexos baseado em um mecanismo de atenção. O método é baseado na rede YOLOv5, com o projeto do módulo de atenção SimAMC3 para otimizar as camadas de extração de características da rede; foi projetada uma cabeça de detecção de alvos que adiciona camadas de fusão de características para alterar a profundidade em que a extração de características começa, obtendo uma nova camada de detecção de alvos pequenos, permitindo que as camadas superficiais mantenham melhor a informação espacial dos alvos pequenos; foi melhorado o método de filtragem das caixas de predição para aumentar a precisão na detecção de alvos próximos ou sobrepostos. Foram selecionados dois conjuntos de dados de imagens infravermelhas de pequenos alvos SIRST para anotação e treinamento. Os resultados experimentais mostram que o algoritmo melhorado aumentou a média da precisão média (mAP) em 4,8% e 7,1% em comparação com o algoritmo YOLOv5 original, e pode detectar efetivamente alvos pequenos infravermelhos em diferentes fundos complexos, demonstrando boa robustez e adaptabilidade, podendo ser aplicado efetivamente na detecção de alvos pequenos infravermelhos em fundos complexos.

aprendizado profundo; pequenos alvos infravermelhos; detecção de alvos; mecanismo de atenção