一个多层次的小物体检测算法SMA-YOLO用于无人机遥感图像
Shilong Zhou1, Haijin Zhou2, Lei Qian1,3
1Key Laboratory of Environmental Optics and Technology, Anhui Institute of Optics and Fine Mechanics, Hefei Institutes of Physical Science, Chinese Academy of Sciences, Hefei, 230031, China.
Scientific reports
|March 19, 2025
概括
通过改进特征提取和融合,SMA-YOLO算法增强了远程传感中的小物体检测. 这种新的方法显著提高了复杂环境中的检测准确性.
科学领域:
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
- 人工智能的人工智能
背景情况:
- 在复杂的遥感图像中检测小物体是具有挑战性的,因为局部空间信息有限,硬特征融合和全球特征表现差.
- 现有的模型难以平衡精度改进与计算复杂性,阻碍了现实应用中的性能.
研究的目的:
- 提出一种新的算法SMA-YOLO,用于在复杂的遥感环境中进行强大而准确的小物体检测.
- 解决特征提取,融合和表示方面的局限性,以增强小物体识别.
主要方法:
- 在骨干中实施非语义稀疏注意力 (NSSA) 机制,以有效地提取与任务相关的非语义特征,提高对小物体的敏感性.
- 在模型的喉中设计了一个双向多分支辅助特征金字塔网络 (BIMA-FPN),以整合多层特征并扩大受体场.
- 整合了一个通道空间特征融合自适应头 (CSFA-Head),以有效地管理多尺度特征并解决尺度一致性问题.
主要成果:
- 与VisDrone2019数据集的基线模型相比,SMA-YOLO算法在平均平均精度 (mAP) 中实现了13%的改进.
- 在复杂的遥感场景中检测小物体方面表现出异常的适应性和稳定性.
- 验证了NSSA,BIMA-FPN和CSFA-Head在增强小物体检测特征提取和融合方面的有效性.
结论:
- 在遥感应用中,SMA-YOLO在小物体检测方面取得了重大进展.
- 拟议的建筑组件有效地解决了与复杂环境中的特征表示和融合相关的挑战.
- 这项研究为远程传感物体检测的未来研究提供了宝贵的见解和新的方法方法.
