DAE-YOLO:一种融合YOLO与状态空间模型的遥感小目标检测方法
《Remote Sensing》:DAE-YOLO: Remote Sensing Small Object Detection Method Integrating YOLO and State Space Models
【字体:
大
中
小
】
时间:2025年12月29日
来源:Remote Sensing 4.1
编辑推荐:
摘要
在遥感图像中进行的小目标检测对城市监测、航空航天侦察等领域具有重要的价值。然而,检测精度仍面临诸多挑战,包括目标信息有限、特征表示能力较弱以及背景复杂等问题。本研
摘要
在遥感图像中进行的小目标检测对城市监测、航空航天侦察等领域具有重要的价值。然而,检测精度仍面临诸多挑战,包括目标信息有限、特征表示能力较弱以及背景复杂等问题。本研究旨在通过解决长距离空间依赖性建模、多尺度特征自适应融合以及计算效率等方面的关键问题,提升YOLO11模型在遥感图像中小目标检测的性能。我们构建了一个专门的“遥感机场-飞机检测”(RS-APD)数据集,并使用公开的VisDrone2019数据集进行泛化验证。在YOLO11架构的基础上,我们提出了DAE-YOLO模型,该模型包含三个创新模块:动态空间序列模块(DSSM)用于增强长距离空间依赖性的捕捉;自适应多尺度特征增强(AMFE)用于调整多尺度特征的自适应感受野;以及高效的双层注意力机制(EDAM),在保持特征表达能力的同时降低计算复杂度。实验结果表明,与基线YOLO11相比,我们提出的模型在RS-APD数据集上的mAP50和mAP50:95分别提高了2.1%和2.5%,同时APs提高了2.8%。本研究为遥感应用提供了一种高效可靠的小目标检测解决方案。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号