YOFOR: Solo te enfocas en regiones de objetos para la detección de objetos diminutos en imágenes aéreas

Área de la Ciencia:

• Ciencias de la Computación
• Teledetección
• Inteligencia Artificial

Sus antecedentes:

• El aprendizaje profundo ha avanzado en la detección de objetos, pero persisten los desafíos en las imágenes de teledetección de alta resolución.
• Los fondos complejos, la distribución desigual de objetos y el desequilibrio de clases dificultan el rendimiento de los detectores existentes.

Objetivo del estudio:

• Proponer YOFOR (You Only Focus on Object Regions), una red de mejora de detección local adaptativa.
• Abordar los desafíos en la detección de objetos para imágenes de teledetección, incluida la densidad de objetos y el desequilibrio de clases.

Principales métodos:

• Desarrolló un módulo de detección local adaptativa para localizar y recortar regiones de objetos densos.
• Implementó un módulo de mejora difusa para reducir la interferencia del fondo y mejorar la visibilidad de los objetos.
• Introdujo un módulo de equilibrio de clases para mitigar el problema de la clase de cola larga mediante el análisis de la distribución de clases y la proximidad de los objetos.

Principales resultados:

• El módulo de detección local adaptativa maneja eficazmente la distribución desigual de objetos.
• El módulo de mejora difusa mejora la detección al debilitar la interferencia del fondo.
• El módulo de equilibrio de clases alivia el problema de la clase de cola larga, mejorando el rendimiento general de la detección.
• Todos los componentes no requieren supervisión y se integran fácilmente en las redes de detección de objetos existentes.

Conclusiones:

• YOFOR demuestra una eficacia y adaptabilidad significativas en los conjuntos de datos VisDrone, DOTA y AI-TOD.
• El método propuesto ofrece una solución robusta para la detección de objetos en escenarios desafiantes de teledetección.