В ответ на такие проблемы, как маленький размер объектов на открытом воздухе, слабая текстурная информация, сложные помехи фона и явное смещение ограничивающих рамок, предложен алгоритм обнаружения мелких объектов на открытом воздухе, основанный на улучшении YOLO11n. Во-первых, введён адаптивный субпиксельный модуль апсемплинга (ASU), который улучшает крайние и текстурные детали мелких объектов с помощью перестановки субпикселей и маски внимания; во-вторых, введён многомасштабный модуль усиления заметности (MultiSEM), который с помощью многомасштабной дырчатой свёртки и двойного пула с каналами внимания усиливает отклик мелких объектов и подавляет сложные фоновые помехи; наконец, построена функция потерь с индексом заметности перекрытия (SE-CIoU), которая повышает точность и стабильность локализации мелких объектов за счёт введения штрафа за расстояние до центра и ограничений на форму с учётом заслонения. Экспериментальные результаты показывают, что на собственном наборе данных WDD улучшенный алгоритм достигает точности, полноты и mAP@0.5 соответственно 88,8%, 91,4% и 94,0%, что выше базовой сети YOLO11n на 0,6%, 6,6% и 3,3%; обобщающие эксперименты на наборе данных iWildCam2022-Small показывают mAP@0.5 в 64,5%, что на 3,7% выше YOLO11n. Предложенный алгоритм эффективно усиливает детальное представление мелких объектов, ответ на заметность и точность локализации ограничивающих рамок, при этом сохраняя лёгкую структуру обнаружения, улучшая точность обнаружения мелких объектов в сложных полевых условиях и обладая определённой способностью к обобщению.

мелкие объекты на открытом воздухе;обнаружение объектов;YOLO11n;субпиксельный апсемплинг;регрессия ограничивающей рамки