La détection précise des avions petits, densément regroupés et orientés de manière arbitraire dans des images de télédétection à haute résolution reste très difficile en raison des variations significatives d'échelle des objets, d'orientation et de complexité de fond. Les frameworks de détection existants ont souvent du mal avec la représentation insuffisante des petits objets, l'instabilité de la régression des boîtes englobantes rotatives et l'incapacité à s'adapter à un fond complexe. Pour remédier à ces limitations, nous proposons SPOD-YOLO, un cadre de détection novateur spécifiquement conçu pour les petits avions dans les images de télédétection. Cette méthode est basée sur YOLOv11, combinée au mécanisme d'attention des fonctionnalités du swintransformer, à travers des améliorations ciblées sur la modélisation des fonctionnalités à différentes échelles, l'adaptation conconvolutionnelle dynamique et l'optimisation de la géométrie rotationnelle pour obtenir une détection efficace. De plus, nous avons construit un nouvel ensemble de données basé sur des images de télédétection par satellite, qui a une haute densité de petits avions avec des annotations de boîtes englobantes rotatives pour fournir des paramètres d'évaluation plus réalistes et plus difficiles. De nombreuses expériences sur MAR20, UCAS-AOD et l'ensemble de données construit démontrent que notre méthode obtient des gains de performance constants par rapport aux approches de pointe. SPOD-YOLO réalise une augmentation de 4,54 % du mAP50 et un gain de 11,78 % du mAP50:95 avec seulement 3,77 millions de paramètres sur l'ensemble de données construit. Ces résultats valident l'efficacité et la robustesse de notre approche dans des scénarios de télédétection complexes, offrant une avancée pratique pour la détection de petits objets dans les images aérospatiales.
CHEN et al. (Mon,) ont étudié cette question.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: