.png){kind=icon}
返回
Enhancing remote sensing object detection via selective-perspective-class integration
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.113416.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
遥感影像中的目标检测持续受到极端尺度变化、密集分布目标和杂乱背景的挑战。尽管YOLOv8等现代检测器已展现出有前景的结果，但其骨干网络通常缺乏明确的机制来引导多尺度特征细化，这限制了它们在高分辨率航空影像上的性能。在这项工作中，我们提出了You Only Look Once-Selective-Perspective-Class Integration（YOLO-SPCI），一种注意力增强的检测框架，该框架引入了一个轻量级的Selective-Perspective-Class Integration（SPCI）模块以改进特征表示。SPCI模块整合了三个组件：用于自适应调节全局特征流的Selective Stream Gate（SSG）、用于情境感知多尺度融合的Perspective Fusion Module（PFM），以及用于增强类间可分性的Class Discrimination Module（CDM）。我们将两个SPCI模块嵌入到YOLOv8骨干网络的P3和P5阶段，在保持与原始颈部和头部结构完全兼容的同时，促进了有效的多尺度特征细化。在Northwestern Polytechnical University Very High Resolution-10数据集（NWPU VHR-10）、光学遥感影像目标检测数据集（DIOR）和遥感目标检测数据集（RSOD）上的实验表明，YOLO-SPCI相较于当前最优检测器实现了更优的性能。
期刊
IF:
8
论文数:
5.7K
被引数:
3.5W
机构
引用论文
Deformable ConvNet with Aspect Ratio Constrained NMS for Object Detection in Remote Sensing Imagery
OAAI
.png){kind=icon}
OAAI分享收藏Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的r-cnn: 基于区域建议网络的实时目标检测OAAI
OAAI分享收藏
Rotated Feature Network for Multiorientation Object Detection of Remote-Sensing Images用于遥感图像多方位目标检测的旋转特征网络
PREAI
分享收藏Multi-class geospatial object detection and geographic image classification based on collection of part detectors基于零件检测器集合的多类地理空间目标检测与地理图像分类
PREAI
分享收藏
查看更多内容