Para abordar los problemas de tamaño pequeño del objetivo en entornos exteriores, la débil información de textura, las complejas interferencias de fondo y el desvío evidente en la localización de cajas delimitadoras, se propone un algoritmo de detección de pequeños objetivos en exteriores basado en una mejora de YOLO11n. Primero, se introduce un módulo adaptativo de submuestreo por píxeles (ASU) que, mediante el reordenamiento subpixel y una máscara de atención, refuerza los detalles de bordes y textura de los objetivos pequeños; segundo, se incorpora un módulo de mejora de prominencia multiescalar (MultiSEM) que, mediante convoluciones dilatadas multiescala y atención de canales con doble agrupación, mejora la respuesta de la región del pequeño objetivo y suprime las interferencias complejas del fondo; finalmente, se construye una función de pérdida SE-CIoU basada en el índice de prominencia y el coeficiente de intersección sobre unión, que aumenta la precisión y estabilidad de la localización del pequeño objetivo mediante la introducción de una penalización por distancia al centro y una restricción de forma consciente de oclusión. Los resultados experimentales muestran que, en el conjunto de datos autoconstruido WDD, el algoritmo mejorado alcanza una precisión, tasa de recuperación y mAP@0.5 de 88.8%, 91.4% y 94.0%, respectivamente, mejorando en 0.6%, 6.6% y 3.3% respecto a la red base YOLO11n; los experimentos de generalización en el conjunto iWildCam2022-Small muestran un mAP@0.5 del 64.5%, un aumento del 3.7% respecto a YOLO11n. El algoritmo propuesto puede mejorar eficazmente la expresión detallada de pequeños objetivos, la respuesta de prominencia y la capacidad de localización de las cajas delimitadoras en un marco de detección ligero, mejorando la precisión de detección en escenarios exteriores complejos y contando con cierta capacidad de generalización.

pequeños objetivos en exteriores;detección de objetivos;YOLO11n;submuestreo por píxel;regresión de cajas delimitadoras