Remote sensing target detection by fusing improved retinex image enhancement and adaptive label assignment
摘要
تغير حجم الهدف بشكل كبير في صور الاستشعار عن بعد، ويكون توزيع الأهداف كثيفًا، ويمكن خلط المواد المماثلة بسهولة ويكثر التداخل المعقد للخلفية وينقص التفاصيل في الصورة. يعاني خوارزميات الكشف الحالية للأهداف الدوّارة من عبء حسابي عالٍ ولا تزال توجد مساحة لتحسين الدقة. يقوم هذا البحث بتحسين جهاز الكشف YOLOv9 الرائد الحالي ويطوّر جهاز كشف الأهداف الدوّارة لصور الاستشعار عن بعد RSO-YOLO (YOLO for Remote Sensing Images with Oriented Bounding Box). أولًا، باستخدام وحدة تعزيز البيانات المساعدة لصور الاستشعار ذات الإضاءة المنخفضة كوسيلة لتحسين المشاكل مثل الإضاءة الضعيفة والضجيج والضباب ونقص التباين. ثانيًا، يتم تصميم رأس تنبؤ بالزوايا منفصل لإعطاء الخوارزمية القدرة على تحسين توجيه الأهداف للكشف عن الأهداف من مستشعرات الاستشعار عن بعد. ثالثًا، يتم إدخال خسارة مرشح كارلمان KFIoU (Kalman Filter Intersection over Union) في النموذج لحل مشكلة دورة الزوايا الناجمة عن تمثيل الأهداف الدوّارة. يتم استخدام خسارة التركيز البؤري DFL (Distribution Focal Loss) لتعلم توزيع صناديق الحدود الدوّارة وتقليل مشكلة عدم دقة الزوايا للأهداف على شكل مربعات قريبة من الشكل القريب من الشكل الكريه للنمذجة الغاوسية. رابعًا، يتم إنشاء استراتيجية تخصيص علامات دوارة ديناميكية لكشف الأهداف الدوّارة بناءً على النقاط المتقاطعة (IOU) ونقاط الفئة (العشرات)، وبالتالي تكوين مساحة عينة أفضل لتعكس خصائص الهدف بشكل أفضل. أخيرًا، يتم استخدام احتمال متقاطع (ProbIoU) بناءً على مسافة هيلنغ للحد من مشكلة التثبيط الشديد غير الأقصى. يتم التحقق من فعالية كاشف الأهداف الدوّارة RSO-YOLO المقترح في هذا البحث على مجموعة بيانات DIOR-R المفتوحة ومقارنته مع العديد من طرق كشف الأهداف الدوّارة النموذجية، وتشير النتائج إلى أن الأداء الشامل لأسلوب RSO-YOLO المقترح في هذا البحث يبلغ 81.1% معدل دقة متوسط MAP (mean Average Precision)، وهو الأعلى، ويمكن أن يضمن الكشف على الوقت الفعلي. بالإضافة إلى ذلك، يمكن زيادة MAP بنسبة 1.5٪ باستخدام وحدة تعزيز البيانات المساعدة. من خلال ذلك، يمكن للأسلوب الذي يقترح RSO-YOLO في هذا البحث أن يراعي في نفس الوقت سرعة كشف الأهداف الدوّارة ودقتها، وله قيمة هندسية وقدرة تطبيقية كبيرة في مراقبة البحريات والمطارات وإدارة المدن وتقييم الكوارث والتفتيش الزراعي والغابات، ويوفر حلاً يمكن إعادة استخدامه للدراسات القادمة حول الكشف الدوّار في ظروف إضاءة منخفضة وخلفية معقدة.
关键词
deep learning;remote sensing object detection;rotated bounding boxes;data augmentation;rotated task alignment learning;two-dimensional gaussian distribution