リモートセンシング画像では、対象のスケール変化が大きく、対象が密集して分布し、類似した地物が混同されやすく、背景が複雑で干渉が多く、画像の詳細が不足しています。既存の回転対象検出アルゴリズムは通常、高い計算負荷があり、精度の向上の余地があります。これらの問題に対応するため、本研究では現在の最先端YOLOv9検出器を改良し、高効率かつ高精度なリモートセンシング画像回転対象検出器RSO-YOLO（YOLO for Remote Sensing Images with Oriented Bounding Box）を開発しました。まず、低照度リモートセンシング画像支援データ増強モジュールを利用して、弱い光、ノイズ、ぼやけ、コントラスト不足などの問題を改善しました。次に、角度予測ヘッドをデカップリング設計し、アルゴリズムにリモートセンシング対象の方向認識能力を持たせました。さらに、カルマンフィルタに基づく交差比KFIoU（Kalman Filter Intersection over Union）損失をモデルに導入し、回転対象表現による角度の周期性問題を解決しました。また、分布焦点損失DFL（Distribution Focal Loss）を用いて回転境界ボックスの分布を学習し、ガウスモデリング法におけるほぼ正方形対象の角度不正確問題を減少させました。さらに、回転対象検出に向けた動的ラベル割り当て戦略を作成し、割り当て過程で交差比（IOU）とクラススコア（Scores）を総合的に考慮し、対象の特徴をよりよく反映するサンプル空間を構築しました。最後に、ヘリング距離に基づく確率的交差比（ProbIoU）を使用した非最大抑制を適用し、非最大抑制の計算負荷を軽減しました。本研究で提案したリモートセンシング画像回転対象検出器をDIOR-R公開データセットで実験検証し、複数の代表的な回転対象検出手法と比較しました。結果は、本研究提案のRSO-YOLO法が81.1％の平均適合率mAP（mean Average Precision）で総合的な検出精度トップであり、リアルタイム検出を保証できることを示しました。また、補助データ増強モジュール使用後に1.5％のmAP向上がありました。総じて、本研究が提案するRSO-YOLOは、回転対象検出の速度と精度を両立し、海洋および空港監視、都市管理、災害評価、農林巡視などのリモートセンシングシーンにおいて工学的価値と応用可能性を有し、低照度および複雑な背景条件を対象とした後続の回転検出研究に再利用可能なモジュール式ソリューションを提供します。

深層学習;リモートセンシング対象検出;回転ボックス;データ増強;回転ボックス正負サンプルマッチング戦略;2次元ガウス分布