Enhancing Satellite Object Localization with Dilated Convolutions and Attention-aided Spatial Pooling
摘要
卫星图像中的目标定位尤其具有挑战性，因为目标的变异性大、空间分辨率低，且受噪声和诸如云层和城市灯光等显著特征的干扰。为此，我们关注三个卫星数据集：upper atmospheric Gravity Waves (GW)、mesospheric Bores (Bore) 和 Ocean Eddies (OE)，每个数据集都呈现独特的挑战。这些挑战包括主目标图案在尺度与外观上的变异性，其中感兴趣目标的大小、形状和特征范围可以差异显著。为应对这些挑战，我们引入 YOLO-DCAP，这是 YOLOv5 的一种新型增强版本，旨在提高这些复杂情景下目标的定位。YOLO-DCAP 包含一个多尺度稀释残差卷积 (MDRC) 块，用于以不同膨胀率捕获多尺度特征，以及一个注意力辅助空间池化 (AaSP) 模块，以聚焦于全球相关空间区域，增强特征选择。这些结构性改进有助于更好地定位卫星图像中的目标。实验结果表明，YOLO-DCAP 在所有三个卫星数据集上均显著优于 YOLO 基础模型和最先进的方法，在 mAP50 平均提高 20.95%，IoU 平均提高 32.23%，相对于基础模型；相对于最先进方法分别提高 7.35% 和 9.84%。这些在所有三个卫星数据集上持续的提升凸显了所提出方法的鲁棒性和可推广性。我们的代码已开源于 https://github.com/AI-4-atmosphere-remote-sensing/satellite-object-localization。
引用
@article{arxiv.2505.05599,
title = {Enhancing Satellite Object Localization with Dilated Convolutions and Attention-aided Spatial Pooling},
author = {Seraj Al Mahmud Mostafa and Chenxi Wang and Jia Yue and Yuta Hozumi and Jianwu Wang},
journal= {arXiv preprint arXiv:2505.05599},
year = {2025}
}
备注
This paper has been accepted to IEEE International Conference on Advanced Machine Learning and Data Science (AMLDS) 2025