摘要
落叶松卷叶蛾（Coleophora laricella）对森林生态安全构成严重威胁，而遥感目标检测对于早期预警和有针对性的干预至关重要。然而，现有的检测方法受到特征提取不足、自注意力归纳偏差有限以及空间定位能力较弱等因素的制约，这些因素共同限制了其实际应用效果。为了解决这些问题，我们提出了DROMAL-Net模型，该模型结合了全局特征增强和动态空间聚类技术来检测森林害虫。在YOLOv11n基模型的基础上，我们引入了三项关键创新：首先，通过将幅度感知线性注意力（MALA）机制嵌入特征提取流程中，我们在保持全局上下文建模的同时实现了线性计算复杂性；其次，为了解决C2PSA的归纳偏差问题并更好地保持空间拓扑结构，我们引入了C3kDR（DCCC3k）动态空间聚类模块，该模块将动态聚类卷积与复数域空间补偿相结合，以提高多尺度定位精度；最后，我们引入了2D旋转位置嵌入（2D-RoPE）技术，进一步降低了动态聚类中的空间歧义性。通过对公开SLFPD数据集的广泛实验验证，各组件的有效性得到了证实。在标准随机划分条件下，DROMAL-Net的mAP@0.5得分达到了77.98%，比YOLOv11n高出2.46个百分点。此外，在严格采用“留一个区域不检测”的协议以防止空间信息泄露的情况下，DROMAL-Net在所有五个验证区域中的表现均优于YOLOv11n，其宏观平均mAP@0.5得分分别为69.12%和65.94%，提高了3.18个百分点，这证明了该模型在未见过的地理区域中的强泛化能力。通过使用五个不同的随机种子进行实验，我们发现结果的标准差始终较低，进一步证明了这些改进的稳定性。我们还在包含多种树种和复杂树冠结构的TreeFinder数据集上评估了模型的泛化能力，DROMAL-Net仍保持了出色的性能，这凸显了MALAPSA和C3kDR在全球特征增强和跨区域应用中的精准定位方面的有效性。
