A Triple Dynamic Optimization-Based Multiscale Object Detection Network

doi:10.1109/JSTARS.2025.3610623

A Triple Dynamic Optimization-Based Multiscale Object Detection Network

2025-01-01

0

OA

AI

DOI：10.1109/JSTARS.2025.3610623

原文链接

查看原文

摘要

En 中文

高分辨率遥感图像的目标检测受到成像视角独特性和检测目标复杂性的影响。现有模型面临小目标特征退化、极端尺度变化以及复杂动态背景等核心挑战。为解决这些问题，本文提出了一种用于遥感目标检测的三重动态优化框架（TDO-YOLO）。首先，构建可变形重参数化特征模块，利用多分支特征融合和结构重参数化技术，实现对微小目标和多尺度目标的精细捕获。其次，设计自适应感受野融合（ARFF）模块，通过并行多尺度核提取和几何感知特征重组克服传统卷积的固定感受野限制，显著提升多尺度目标检测精度。第三，提出卷积动态位置编码残差注意力机制，借助长程依赖建模和背景抑制，有效缓解复杂背景干扰并降低误检率。最后，引入针对遥感图像设计的多尺度感知IoU损失函数，融合多尺度感知机制和动态加权以增强检测精度。在RSOD和DIOR数据集上的实验结果表明，TDO-YOLO的mAP$_{50}$得分分别为96.6%和68.7%，相较于基准模型YOLOv11分别提升了3.87%和3.15%。与当前最佳网络相比，TDO-YOLO展现出更优的检测精度。

Keyword:

Multiscale object

object detection

remote sensing image

YOLO network

A Triple Dynamic Optimization-Based Multiscale Object Detection Network

摘要

AI总结

期刊

机构