Debido al problema de la baja proporción de píxeles de objetivos pequeños en imágenes infrarrojas en escenarios complejos, y a los detalles de características poco evidentes que dificultan la extracción de características del objetivo y reducen la precisión de detección, se propone un método de detección de objetivos pequeños infrarrojos en fondos complejos basado en un mecanismo de atención. Este método se basa en la red YOLOv5, con el diseño del módulo de atención SimAMC3 para optimizar las capas de extracción de características de la red; se diseñó una cabeza de detección de objetivos añadiendo capas de fusión de características para cambiar la profundidad en que se inicia la extracción de características, logrando una nueva capa para la detección de objetivos pequeños que permite que las capas superficiales conserven mejor la información espacial de los objetivos pequeños; se mejoró el método de filtrado de cuadros de predicción para aumentar la precisión de detección de objetivos cercanos o superpuestos. Se seleccionaron dos conjuntos de datos de imágenes infrarrojas de objetivos pequeños SIRST para anotación y entrenamiento. Los resultados experimentales muestran que el algoritmo mejorado incrementó el promedio de precisión media (mAP) en 4.8% y 7.1% en comparación con el algoritmo YOLOv5 original, y puede detectar eficazmente objetivos pequeños en diferentes fondos complejos, demostrando buena robustez y adaptabilidad, y puede aplicarse eficazmente a la detección de objetivos pequeños infrarrojos en fondos complejos.

aprendizaje profundo; objetivos pequeños infrarrojos; detección de objetivos; mecanismo de atención