航拍图像中增强小目标识别的高效有向目标检测
计算机视觉与模式识别
2024-12-18 v1
摘要
在航拍图像的旋转边界框目标检测领域，实现计算效率与检测精度之间的平衡是一项重大挑战。虽然先前的研究旨在创建增强计算性能和特征提取的轻量级模型，但在遥感（RS）图像中检测小目标和多尺度目标时，这些网络的性能仍存在差距。为了应对这些挑战，我们对 YOLOv8 模型提出了一种新颖的增强方案，专为有向目标检测任务定制，并针对计算资源有限的环境进行了优化。我们的模型采用基于小波变换的 C2f 模块来捕获关联特征，以及利用 P2 层细节的自适应尺度特征金字塔（ASFP）模块。此外，GhostDynamicConv 的引入显著促成了模型的轻量级特性，确保了航拍图像分析的高效率。我们的方法具有 21.6M 的参数量，在保持检测精度的同时，提供了比拥有 23.3M 参数的 DecoupleNet 更高效的架构设计。在 DOTAv1.0 数据集上，我们的模型展示了与 DecoupleNet 等领先方法相媲美的平均精度均值（mAP）。该模型的效率加上其减少的参数量，使其成为航拍目标检测的强有力候选方案，特别是在资源受限的环境中。
引用
@article{arxiv.2412.12562,
title = {Efficient Oriented Object Detection with Enhanced Small Object Recognition in Aerial Images},
author = {Zhifei Shi and Zongyao Yin and Sheng Chang and Xiao Yi and Xianchuan Yu},
journal= {arXiv preprint arXiv:2412.12562},
year = {2024}
}