Модель обнаружения объектов на изображениях дистанционного зондирования земли с использованием динамического рецептивного поля и Snake-свертки
https://doi.org/10.21122/2309-4923-2025-3-4-10
Аннотация
Для решения задачи обнаружения объектов на изображениях дистанционного зондирования Земли (ДЗЗ) в данной работе предлагается усовершенствованный метод на базе YOLOv11n. Предложена улучшенная архитектура YOLOv11n, интегрирующая модуль динамического рецептивного поля (RFAConv) и модуль адаптивного моделирования деформаций Snake (DySnakeConv). Этот подход улучшает процесс выявления низкоуровневых признаков и оптимизирует адаптивное выделение границ объектов, повышая точность обнаружения объектов. Эксперименты на наборе данных RSOD показали, что улучшенная модель достигает средней точности (mAP) 96.9 % при IoU = 0.50 (mAP50) и 65.5 % в диапазоне IoU 0.50–0.95 (mAP50-95). Результаты превосходят показатели YOLOv8n, YOLOv10n и других конкурентных моделей по ключевым метрикам (точности и полноте). Важно отметить, что модель сохраняет сопоставимую эффективность на наборе NWPU VHR-10. Предложенная модель является эффективным решением для обнаружения малых объектов и геометрически сложных целей на изображениях ДЗЗ высокого разрешения.
Ключевые слова
Об авторах
C. Ву
Белорусский государственный университет
Беларусь
Беларусь
Ву Сяньи – аспирант механико-математического факультета.
г. Минск, 220030
С. В. Абламейко
Объединенный институт проблем информатики Национальной академии наук Беларуси
Беларусь
Беларусь
Абламейко Сергей Владимирович – Академик, доктор технических наук, профессор, Лауреат Государственной премии.
г. Минск, 220012
Список литературы
1. Li AB, Guo H, Qi C, et al. Dense object detection in remote sensing images under complex background. Computer Engineering and Applications. 2023;59(8):247–253.
2. Yan J, Hu X, Zhang K, Shi T, Zhu G, Zhang Y. Multi-level feature fusion based dim small ground target detection in remote sensing images. Chinese Journal of Scientific Instrument. 2022;4(3):221–229. https://library.imaging.org/jist/articles/67/1/010505
3. Ren S, He K, Girshick R, Sun J. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2017;39(6),1137–1149. DOI: 10.1109/TPAMI.2016.2577031
4. Jang Y, Gunes H, Patras I. Registration-free Face-SSD: Single shot analysis of smiles, facial attributes, and affect in the wild. Computer Vision and Image Understanding. 2019;182:17–29. DOI: 10.1016/j.cviu.2019.01.006
5. Lin T-Y, Goyal P, Girshick R, He K, Dollár P. Focal Loss for Dense Object Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2020;42(2):318–327. DOI: 10.1109/TPAMI.2018.2858826
6. Redmon J, Divvala S, Girshick R, Farhadi A. (2016). You Only Look Once: Unified, Real-Time Object Detection. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, NV, USA; 2016. Рp. 779-788. DOI: 10.1109/CVPR.2016.91
7. Betti A, Tucci M. YOLO-S: A Lightweight and Accurate YOLO-like Network for Small Target Detection in Aerial Imagery. Sensors. 2023;23(4):1865. DOI: 10.3390/s23041865
8. Wu X, Ablameyko SV. Efficient detection of building in remote sensing images using an improved YOLOv10 network. Informatika [Informatics]. 2025;22(2):33–47. DOI: 10.37661/1816-0301-2025-22-2-33-47
9. Han W, Kuerban A, Yang Y, Huang Z, Liu B, Gao J. (2022). Multi-Vision Network for Accurate and Real-Time Small Object Detection in Optical Remote Sensing Images. IEEE Geoscience and Remote Sensing Letters. 2022;19:1–5. DOI: 10.1109/LGRS.2020.3044422
10. Nie H, Pang H, Ma M, Zheng R. A Lightweight Remote Sensing Small Target Image Detection Algorithm Based on Improved YOLOv8. Sensors (Basel). 2024;24(9):2952. DOI: 10.3390/s24092952
11. Wu Z, Geiger A., Rozner J, Kreiss E, Lu H, Icard T, Potts C, & Goodman ND. Training trajectories of language models across scales. 2023. arXiv preprint arXiv:2304.03198. https://arxiv.org/pdf/2304.03198
12. Mirchandani S, Xia F, Florence P, Ichter B, Driess D, Arenas MG, et al. Large Language Models as General Pattern Machines. Proceedings of the 7th Conference on Robot Learning (CoRL). Atlanta, USA; 2023. pp. 2498-2518. Available at: https://general-pattern-machines.github.io (accessed 02.07.2025). DOI: 10.48550/arXiv.2307.04721
13. Long Y, Gong Y, Xiao Z, Liu Q. Accurate Object Localization in Remote Sensing Images Based on Convolutional Neural Networks. IEEE Transactions on Geoscience and Remote Sensing. 2017;55(5):2486-2498. DOI: 10.1109/TGRS.2016.2645610
14. Cheng G, Han J, Zhou P, Guo L. Multi-class geospatial object detection and geographic image classification based on collection of part detectors. ISPRS Journal of Photogrammetry and Remote Sensing. 2014;98:119–132. DOI: 10.1016/j.isprsjprs.2014.10.002
Рецензия
Для цитирования:
Ву C., Абламейко С.В. Модель обнаружения объектов на изображениях дистанционного зондирования земли с использованием динамического рецептивного поля и Snake-свертки. Системный анализ и прикладная информатика. 2025;(3):4-10. https://doi.org/10.21122/2309-4923-2025-3-4-10
For citation:
Wu X., Ablameyko S.B. Remote sensing image target detection model integrating dynamic receptive field and snake convolution. «System analysis and applied information science». 2025;(3):4-10. https://doi.org/10.21122/2309-4923-2025-3-4-10
Просмотров:
30
Послать статью по эл. почте 