微小目标检测（TOD）在多个领域具有广泛的应用，包括遥感图像分析、自动驾驶和无人机监控。由于代表微小目标的像素数量极其有限，现有方法往往无法有效利用多尺度特征来检测这些目标。此外，当前的标签分配策略也无法为微小目标提供足够数量的高质量正样本，这限制了模型准确识别它们的能力。本文提出了一种基于隐式特征融合（IFF）和混合自适应标签分配（HALA）的TOD网络，命名为IHANet，旨在实现微小目标的高精度检测。IFF通过利用隐式神经表示来减轻多尺度融合中的特征不对齐问题，在融合之前将不同金字塔层次的特征图映射到统一的大小。通过将特征图建模为连续表示，IFF能够在任何分辨率下实现有效的融合，保留微小目标的细节并减少信息损失。HALA通过结合IoU和感受野距离（RFD）来改进标签分配，这种方法在处理微小目标时表现更好。然后，HALA采用自适应选择策略来识别高质量的训练样本，从而提升模型的训练和检测性能。在AI-TOD、SODA-D、VisDrone和AgriPest数据集上的大量实验表明，IHANet在各种TOD场景中均取得了先进的性能，例如遥感、自动驾驶、低空无人机成像和农业成像，在AI-TOD数据集上的AP得分达到了29.1。
