遥感增强作物检测方法 YOLO-RS
计算机视觉与模式识别
2025-06-09 v2
摘要
随着遥感技术的快速发展，基于深度学习的作物分类和健康检测逐渐成为研究热点。然而，现有目标检测方法在处理遥感图像中的小目标时表现较差，尤其是在复杂背景和图像混合的情况下，难以满足实际应用需求。为此，本文提出一种新型目标检测模型YOLO-RS。该模型基于最新的Yolov11，通过引入Context Anchor Attention(CAA)机制和高效的多域多尺度特征融合网络，显著提升了小目标检测性能。YOLO-RS在特征融合过程中采用双向特征融合策略，有效增强了模型在小目标检测方面的性能。此外，模型背部末端的ACmix模块通过自适应调整对比和样本混合，解决了类别不平衡问题，从而提升了复杂场景下的检测准确度。在针对PDT遥感作物健康检测数据集和CWC作物分类数据集进行实验后，YOLO-RS在召回率和均值平均精度(mAP)方面均提升了约2-3%，F1得分也显著提高。此外，模型的计算复杂度仅增加约5.2 GFLOPs，表明其在性能和效率方面具有显著优势。实验结果验证了YOLO-RS在遥感图像小目标检测任务中有效性和应用潜力。
引用
@article{arxiv.2504.11165,
title = {YOLO-RS: Remote Sensing Enhanced Crop Detection Methods},
author = {Linlin Xiao and Zhang Tiancong and Yutong Jia and Xinyu Nie and Mengyao Wang and Xiaohang Shao},
journal= {arXiv preprint arXiv:2504.11165},
year = {2025}
}