В ответ на проблемы малого масштаба целей в полевых условиях, слабой текстурной информации, сложных фоновых помех и заметных смещений ограничивающих рамок предложен алгоритм обнаружения маленьких целей в полевых условиях на основе улучшенного YOLO11n. Во-первых, введён модуль адаптивной подквадратной выборки ASU, который за счёт подквадратной перестановки и маски внимания усиливает характеристики краёв и текстур маленьких целей; во-вторых, введён многошкальный модуль усиления заметности MultiSEM, использующий многошкальные дилатированные свёртки и двухпуловый канал внимания для усиления отклика области маленьких целей и подавления фоновых помех; наконец, построена функция потерь с индексом заметности и перекрытия SE-CIoU, которая за счёт введения штрафа индекса расстояния до центра и ограничений формы с учётом перекрытия улучшает точность и стабильность позиционирования маленьких целей. Экспериментальные результаты показывают, что на собственном наборе данных WDD точность, полнота и mAP@0.5 улучшенного алгоритма составили 88.8%, 91.4% и 94.0% соответственно, что выше базовой сети YOLO11n на 0.6%, 6.6% и 3.3%; на наборе данных iWildCam2022-Small обобщающие эксперименты показали mAP@0.5 в размере 64.5%, что выше YOLO11n на 3.7%. Предложенный алгоритм эффективно усиливает детализацию, отклик заметности и способность локализации ограничивающих рамок маленьких целей в сложных полевых условиях при сохранении лёгкой структуры обнаружения, повышая точность обнаружения и обладая определённой обобщающей способностью.

полевые маленькие цели;обнаружение целей;YOLO11n;подквадратная выборка;регрессия ограничивающих рамок