遥感图像中目标尺度变化大、目标密集分布、相似地物易混淆、背景复杂干扰多以及图像细节不足,现有的旋转目标检测算法通常存在较高的计算负担,并且在精度上仍有提升的空间。针对上述问题,本研究改进当前领先的YOLOv9检测器,开发了一种...遥感图像中目标尺度变化大、目标密集分布、相似地物易混淆、背景复杂干扰多以及图像细节不足,现有的旋转目标检测算法通常存在较高的计算负担,并且在精度上仍有提升的空间。针对上述问题,本研究改进当前领先的YOLOv9检测器,开发了一种高效而准确的遥感图像旋转目标检测器RSO-YOLO(YOLO for Remote Sensing Images with Oriented Bounding Box)。首先,利用一种低照度遥感图像辅助数据增强模块,用于改善弱光、噪点、模糊和对比度不足等问题;其次,设计了一个解耦的角度预测头,使算法拥有对遥感目标方向的感知能力;其次,在模型中引入基于卡尔曼滤波的交并比KFIoU(Kalman Filter Intersection over Union)损失,以解决旋转目标表示引起的角度周期性问题,使用分布焦点损失DFL(Distribution Focal Loss)学习旋转边界框的分布,减少高斯建模方法中近正方形目标的角度不准确问题;再次,创建一种面向旋转目标检测的动态标签分配策略,在分配过程中综合考虑了交并比(IOU)与类别得分(Scores),从而构建更好的能够反映目标特性的样本空间;最后,使用基于海林格距离的概率交并比(ProbIoU)进行非极大值抑制,减少非极大值抑制的计算负担。将本研究提出的遥感图像旋转目标检测器在DIOR-R公开数据集上进行实验验证,与多个典型的旋转目标检测方法进行了比较,结果表明,本研究提出RSO-YOLO方法综合检测精度达到81.1%平均精确率mAP(mean Average Precision),位居第一,且能够保证检测的实时性。此外,使用辅助数据增强模块后可提高1.5%mAP。综上,本研究提出的RSO-YOLO能够同时兼顾旋转目标检测的速度和准确性,对海事与机场监测、城市管理、灾害评估、农林巡检等遥感场景具有工程落地价值与应用潜力,亦为后续面向低照度与复杂背景条件的旋转检测研究提供可复用的模块化方案。。展开更多
文摘遥感图像中目标尺度变化大、目标密集分布、相似地物易混淆、背景复杂干扰多以及图像细节不足,现有的旋转目标检测算法通常存在较高的计算负担,并且在精度上仍有提升的空间。针对上述问题,本研究改进当前领先的YOLOv9检测器,开发了一种高效而准确的遥感图像旋转目标检测器RSO-YOLO(YOLO for Remote Sensing Images with Oriented Bounding Box)。首先,利用一种低照度遥感图像辅助数据增强模块,用于改善弱光、噪点、模糊和对比度不足等问题;其次,设计了一个解耦的角度预测头,使算法拥有对遥感目标方向的感知能力;其次,在模型中引入基于卡尔曼滤波的交并比KFIoU(Kalman Filter Intersection over Union)损失,以解决旋转目标表示引起的角度周期性问题,使用分布焦点损失DFL(Distribution Focal Loss)学习旋转边界框的分布,减少高斯建模方法中近正方形目标的角度不准确问题;再次,创建一种面向旋转目标检测的动态标签分配策略,在分配过程中综合考虑了交并比(IOU)与类别得分(Scores),从而构建更好的能够反映目标特性的样本空间;最后,使用基于海林格距离的概率交并比(ProbIoU)进行非极大值抑制,减少非极大值抑制的计算负担。将本研究提出的遥感图像旋转目标检测器在DIOR-R公开数据集上进行实验验证,与多个典型的旋转目标检测方法进行了比较,结果表明,本研究提出RSO-YOLO方法综合检测精度达到81.1%平均精确率mAP(mean Average Precision),位居第一,且能够保证检测的实时性。此外,使用辅助数据增强模块后可提高1.5%mAP。综上,本研究提出的RSO-YOLO能够同时兼顾旋转目标检测的速度和准确性,对海事与机场监测、城市管理、灾害评估、农林巡检等遥感场景具有工程落地价值与应用潜力,亦为后续面向低照度与复杂背景条件的旋转检测研究提供可复用的模块化方案。。
