Key points are not available for this paper at this time.
원격 감지 이미지(RSI) 연구에서 객체 탐지가 상당한 발전을 이루었으며, 특히 딥 러닝의 출현으로 인해 더욱 그렇습니다. 그러나 방향, 스케일, 종횡비 변화, 밀집 객체 분포 및 범주 불균형과 같은 과제가 여전히 남아 있습니다. 이러한 문제를 해결하기 위해, 우리는 세 가지 혁신적인 파트를 포함하는 단일 단계의 맥락-특징 적응형 가중치 융합 네트워크인 DAG-YOLO를 제안합니다. 첫째, 우리는 1D 가우시안 각도 인코딩을 YOLOv5와 통합하여 각도 회귀 작업을 분류 작업으로 변환하여 더 강력한 회전 객체 탐지 기준선인 GLR-YOLO를 확립합니다. 둘째, 우리는 전역 맥락 정보를 캡처하여 특징 추출 능력을 향상시키는 이중 브랜치 맥락 적응 모델링 모듈을 도입합니다. 셋째, 우리는 적응형 글로벌 특징 집계 및 재가중치(AGFAR) 모듈을 갖춘 적응형 탐지 헤드를 설계합니다. AGFAR는 기능 피라미드 네트워크의 서로 다른 출력 레이어 간의 특징 불일치를 해결하여 유용한 의미 정보는 유지하고 탐지 정확도를 높입니다. 공개 데이터셋 DOTA-v1.0, DOTA-v1.5 및 UCAS-AOD에 대한 광범위한 실험은 각각 77.75%, 73.79% 및 90.27%의 mAP 점수를 보여줍니다. 우리가 제안한 방법은 현재 주요 SOTA 방법 중 최고의 성능을 보이며, RSI 객체 탐지에서의 효과성을 입증합니다.
Guo et al. (Thu,) 이 질문을 연구했습니다.