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。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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