Les images de télédétection présentent de grands changements d’échelle des cibles, une distribution dense des cibles, une confusion facile entre des objets similaires, un arrière-plan complexe avec de nombreuses interférences ainsi qu’un manque de détails dans l’image. Les algorithmes actuels de détection d’objets orientés ont généralement une charge de calcul élevée et présentent encore une marge d’amélioration en termes de précision. Pour répondre à ces problèmes, cette étude améliore le détecteur YOLOv9 de pointe et développe un détecteur efficace et précis d’objets orientés pour les images de télédétection, appelé RSO-YOLO (YOLO pour images de télédétection avec boîte englobante orientée). Premièrement, un module d’augmentation de données assisté pour images de télédétection à faible luminosité est utilisé pour améliorer les problèmes de faible éclairage, de bruit, de flou et de contraste insuffisant ; deuxièmement, une tête de prédiction d’angle découplée est conçue, conférant à l’algorithme la capacité de percevoir la direction des cibles de télédétection ; troisièmement, une perte KFIoU (Kalman Filter Intersection over Union) basée sur le filtre de Kalman est introduite dans le modèle pour résoudre le problème de périodicité angulaire dans la représentation des objets orientés, en utilisant une perte focale de distribution DFL (Distribution Focal Loss) pour apprendre la distribution de la boîte englobante orientée, réduisant ainsi les erreurs d’angle pour les cibles presque carrées dans la méthode de modélisation gaussienne ; ensuite, une stratégie d’affectation dynamique des étiquettes orientée détection d’objets orientés est créée, prenant en compte durant l’affectation l’Intersection over Union (IOU) et les scores de classe, afin de construire un espace d’échantillons reflétant mieux les caractéristiques des cibles ; enfin, une suppression non maximale basée sur une Intersection over Union probabiliste (ProbIoU) utilisant la distance de Hellinger est employée pour réduire la charge de calcul. Le détecteur d’objets orientés en télédétection proposé a été validé expérimentalement sur le jeu de données public DIOR-R, comparé à plusieurs méthodes typiques de détection d’objets orientés. Les résultats montrent que la méthode RSO-YOLO proposée atteint une précision moyenne mAP de 81,1 %, occupant la première place, tout en assurant une détection en temps réel. De plus, l’utilisation du module d’augmentation de données assisté permet une amélioration de 1,5 % du mAP. En conclusion, le détecteur RSO-YOLO proposé équilibre vitesse et précision pour la détection d’objets orientés, présentant une valeur pratique et un potentiel d’application dans les scènes de télédétection telles que la surveillance maritime et aéroportuaire, la gestion urbaine, l’évaluation des catastrophes, l’inspection agricole et forestière, et fournit une solution modulaire réutilisable pour les recherches futures sur la détection en conditions de faible luminosité et de fonds complexes.

apprentissage profond;détection d’objets en télédétection;boîte orientée;augmentation de données;stratégie d’appariement d’échantillons positifs et négatifs pour boîtes orientées;distribution gaussienne bidimensionnelle