M-ReDet: un método basado en mamba para la detección remota de objetos de buques y el reconocimiento de grano fino

Área de la Ciencia:

• La teledetección y el análisis geoespacial
• Visión por computadora y procesamiento de imágenes
• Inteligencia artificial y aprendizaje automático

Sus antecedentes:

• La detección de objetos de buques y el reconocimiento de grano fino son cruciales para aplicaciones como la vigilancia marítima y la navegación.
• Los métodos existentes luchan con la detección precisa de diversos tipos de naves en imágenes complejas de teledetección.
• Mejorar la precisión de la clasificación y localización de buques es un desafío continuo.

Objetivo del estudio:

• Mejorar la precisión de la detección de objetos de buques y el reconocimiento de granos finos en imágenes de teledetección.
• Desarrollar un nuevo método, Mamba-ReDet (M-ReDet), que mejore las arquitecturas ReDet existentes.
• Abordar las limitaciones en la extracción y refinación de elementos de grano fino para diferentes categorías de buques.

Principales métodos:

• Mamba-ReDet propuesto (M-ReDet) que incorpora una red troncal Mamba-ReResNet para la extracción de características de grano fino utilizando la memoria selectiva de Mamba.
• Se introdujo el Módulo de Percepción de Objetos de Buque (SOPM) y el Módulo de Refinamiento de Características de Buque (SFRM) para extraer y fusionar información de posición espacial para el refinamiento de características.
• Utilizado KFIoU y pérdida focal para mejorar la precisión de la regresión y la clasificación durante el entrenamiento.

Principales resultados:

• Mamba-ReDet logró una precisión media (mAP0.5) del 43,29% en el conjunto de datos FAIR1M.
• Mamba-ReDet obtuvo un mAP0,5 del 82,09% en el conjunto de datos de luz visible (RGB) DOTAv1.0.
• Se demostraron mejoras de rendimiento del 2,78% y del 3,34% con respecto a la línea de base ReDet en los respectivos conjuntos de datos.

Conclusiones:

• El Mamba-ReDet (M-ReDet) propuesto mejora efectivamente la detección de objetos de buques y el reconocimiento de granos finos en las imágenes de teledetección.
• La integración de la memoria selectiva y los módulos especializados de Mamba mejora significativamente las capacidades de extracción y refinamiento de características.
• El método muestra un rendimiento superior en comparación con los enfoques existentes, ofreciendo un valioso avance para las aplicaciones marítimas.