ES-YOLO:在复杂的场景中,多规模港口船只检测与注意力机制相结合.
Lixiang Cao1,2, Jia Xi1,2, Zixuan Xie1,2
1School of Remote Sensing and Information Engineering, North China Institute of Aerospace Engineering, Langfang 065000, China.
Sensors (Basel, Switzerland)
|December 31, 2025
概括
ES-YOLO框架通过使用新的边缘感知通道和轻量级模块来增强复杂环境中的遥感船只检测. 这种先进的深度学习方法提高了在具有挑战性的条件下识别船舶的准确性和效率.
科学领域:
- 计算机视觉 计算机视觉
- 遥感技术 遥感技术 遥感技术
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 单阶段算法显示出光学图像船舶检测的前景.
- 现有的方法难以应对复杂的环境,如云层,波浪和密集的船舶聚合.
- 限制包括固定视角和统一的背景在当前的模型.
研究的目的:
- 提出ES-YOLO框架,以克服复杂环境中船舶检测的局限性.
- 为了增强特征提取和细节捕获,使用新的边缘感知通道,空间注意力机制 (EACSA).
- 通过轻量级的空间通道脱下采样模块 (LSCD) 来降低计算复杂性,并引入层次化的规模结构.
主要方法:
- 开发了ES-YOLO框架,包括EACSA,LSCD和一个层次化的规模结构.
- 使用Gaofen-2图像构建了TJShip数据集,其中包括多尺度目标.
- 使用TJShip数据集和各种基准算法进行了废除和比较实验.
主要成果:
- 与基线相比,ES-YOLO显示平均精度 (mAP) 提高了0.83% (EACSA),0.54% (LSCD) 和1.06% (多尺度结构).
- 该模型在精度,召回和F1得分方面取得了卓越的性能.
- 在mAP中,ES-YOLO的表现明显超过了Faster R-CNN,RetinaNet,YOLOv5,YOLOv7和YOLOv8的表现 (高达46.87%).
结论:
- 在ES-YOLO框架有效地解决复杂的远程传感船只检测的挑战.
- 整合EACSA,LSCD和等级规模结构显著提高了检测性能.
- 这项研究为先进的船舶检测应用提供了宝贵的见解和强大的模型.
