Les objectifs dans les images satellitaires changent considérablement d’échelle, sont répartis de manière dense, se prêtent facilement à la confusion avec des matériaux similaires, sont fortement perturbés par des arrière-plans complexes et manquent de détails. Les algorithmes de détection d’objectifs rotatifs actuels présentent généralement une charge de calcul élevée et il existe encore un espace pour améliorer la précision. Cette étude améliore le détecteur de pointe actuel YOLOv9 et développe un détecteur d'objectifs rotatifs efficace et précis dans des images satellitaires RSO-YOLO (YOLO pour les images de télédétection avec une boîte englobante orientée). Premièrement, un module d'amélioration des données d'imagerie à faible éclairage est utilisé pour améliorer les problèmes tels que l'éclairage faible, le bruit, le flou et le manque de contraste. Deuxièmement, une tête de prédiction d'angle séparée est conçue pour donner à l'algorithme la capacité de percevoir la direction des objectifs satellitaires. Troisièmement, une perte d'intersection sur union basée sur le filtre de Kalman KFIoU (Kalman Filter Intersection over Union) est introduite dans le modèle pour résoudre le problème de périodicité des angles provoqué par la représentation des objectifs rotatifs. Une perte focale de distribution DFL (Distribution Focal Loss) est utilisée pour apprendre la distribution des boîtes englobantes rotatives et réduire le problème de l'exactitude des angles pour les objectifs en forme de carré proche dans la méthode de modélisation gaussienne. Enfin, une stratégie dynamique de distribution d'étiquettes pour la détection d'objectifs rotatifs est créée, tenant compte à la fois de l'intersection sur union (IOU) et des scores de catégorie (Scores) pour construire un meilleur espace d'échantillonnage reflétant les caractéristiques des objectifs. En utilisant enfin la probabilité d'intersection ProbIoU basée sur la distance d'Hellinger pour réduire l'inhibition non stricte de la non-maximalisation. Le détecteur d'objectifs rotatifs RSO-YOLO proposé dans cette étude est vérifié sur l'ensemble de données public DIOR-R et comparé à plusieurs méthodes typiques de détection d'objectifs rotatifs, les résultats montrent que les performances globales de la méthode proposée RSO-YOLO dans cette étude atteignent 81.1% de précision moyenne mAP (mean Average Precision), se classant au premier rang et capable d'assurer une détection en temps réel. De plus, l'utilisation d'un module d'amélioration des données auxiliaires peut augmenter de 1,5% mAP. Par conséquent, la méthode RSO-YOLO proposée dans cette étude peut simultanément prendre en compte la vitesse et la précision de la détection d'objectifs rotatifs, elle présente une grande valeur d'ingénierie et un potentiel d'application dans la surveillance maritime et aéroportuaire, la gestion urbaine, l'évaluation des catastrophes, l'inspection agronomique et forestière, et fournit une solution modulaire réutilisable pour les futures études sur la détection de rotations dans des conditions d'éclairage faible et d'arrière-plan complexe.

deep learning;remote sensing object detection;rotated bounding boxes;data augmentation;rotated task alignment learning;two-dimensional gaussian distribution