As imagens de sensoriamento remoto apresentam grandes variações na escala dos alvos, distribuição densa dos alvos, confusão fácil entre objetos semelhantes, fundo complexo com muitas interferências e falta de detalhes na imagem. Os algoritmos atuais de detecção de alvos rotacionados geralmente têm alta carga computacional e ainda têm espaço para melhorar a precisão. Para enfrentar esses problemas, este estudo aprimorou o detector líder YOLOv9 e desenvolveu um detector eficiente e preciso para detecção de alvos rotacionados em imagens de sensoriamento remoto denominado RSO-YOLO (YOLO para Imagens de Sensoriamento Remoto com Caixa Delimitadora Orientada). Primeiro, utilizou-se um módulo auxiliar de aumento de dados para imagens de sensoriamento remoto com baixa luminosidade para melhorar problemas de pouca luz, ruído, desfoque e contraste insuficiente; em seguida, projetou-se uma cabeça de previsão de ângulo desacoplada, conferindo ao algoritmo a capacidade de perceber a direção dos alvos de sensoriamento remoto; além disso, foi introduzida no modelo a perda KFIoU (Kalman Filter Intersection over Union), baseada no filtro de Kalman, para resolver o problema cíclico do ângulo na representação de alvos rotacionados, utilizando a perda focal de distribuição DFL (Distribution Focal Loss) para aprender a distribuição da caixa delimitadora rotacionada, reduzindo a imprecisão do ângulo em alvos quase quadrados no método de modelagem gaussiana; posteriormente, criou-se uma estratégia dinâmica de atribuição de rótulos direcionada à detecção de alvos rotacionados, considerando conjuntamente a interseção sobre união (IOU) e as pontuações de classe no processo de atribuição, a fim de construir um espaço de amostras que reflita melhor as características dos alvos; por fim, utilizou-se a supressão de não máximo baseada na interseção probabilística sobre união (ProbIoU), baseada na distância de Hellinger, para reduzir a carga computacional da supressão de não máximos. O detector de alvos rotacionados proposto para imagens de sensoriamento remoto foi validado experimentalmente no conjunto de dados público DIOR-R e comparado com vários métodos típicos de detecção de alvos rotacionados. Os resultados mostram que o método RSO-YOLO proposto alcança uma precisão média mAP de 81,1%, ocupando o primeiro lugar e garantindo a detecção em tempo real. Além disso, o uso do módulo auxiliar de aumento de dados aumentou o mAP em 1,5%. Em resumo, o método RSO-YOLO proposto combina velocidade e precisão na detecção de alvos rotacionados, possui valor prático e potencial de aplicação em cenários de sensoriamento remoto, como monitoramento marítimo e aeroportuário, gestão urbana, avaliação de desastres, inspeção agrícola e florestal, além de fornecer uma solução modular reutilizável para pesquisas futuras em detecção rotacionada sob condições de baixa luminosidade e fundo complexo.

aprendizado profundo;detecção de alvos em sensoriamento remoto;caixa rotacionada;aumento de dados;estratégia de correspondência de amostras positivas e negativas direcionadas para caixas rotacionadas;distribuição gaussiana bidimensional