La sobrepoblación de palomas salvajes en Hong Kong ha interrumpido significativamente el ecosistema urbano, destacando la urgente necesidad de estrategias efectivas para controlar su población. En general, se deben implementar y reevaluar periódicamente las medidas de control tras estimaciones precisas de la población de palomas salvajes en las regiones afectadas, lo cual, sin embargo, es muy difícil en entornos urbanos debido a la ocultación y movilidad de las palomas dentro de estructuras de edificios complejas. Con los avances en el aprendizaje profundo, la visión por computadora puede ser una herramienta prometedora para el monitoreo de palomas y la estimación de la población, pero no ha sido bien investigada hasta ahora. Por lo tanto, proponemos un modelo de aprendizaje profundo mejorado (Swin-Mask R-CNN con SAHI) para la detección de palomas salvajes. Nuestro modelo consta de tres partes. En primer lugar, la red Swin Transformer (STN) extrae información de características profundas. En segundo lugar, la Red de Pirámide de Características (FPN) fusiona características de múltiples escalas para aprender en diferentes escalas. Por último, las tres ramas del modelo son responsables de la clasificación, la mejor predicción de la caja delimitadora y la segmentación. Durante la fase de predicción, utilizamos una herramienta de Inferencia Hiper Asistida por Slicing (SAHI) para centrarnos en la información de características de pequeños objetivos de palomas salvajes. Se realizaron experimentos en un conjunto de datos de palomas salvajes para evaluar el rendimiento del modelo. Los resultados revelan que nuestro modelo logra un excelente rendimiento de reconocimiento para las palomas salvajes.