В изображениях дистанционного зондирования масштабы объектов сильно изменяются, объекты расположены плотным скоплением, похожие объекты легко спутать, а фон сложен и содержит помехи, кроме того, детали изображения недостаточны. Существующие алгоритмы обнаружения повёрнутых объектов обычно имеют высокую вычислительную нагрузку и всё ещё имеют потенциал для улучшения точности. Для решения вышеуказанных проблем в данном исследовании была усовершенствована передовая детекторная система YOLOv9 и разработан эффективный и точный детектор повёрнутых объектов в изображениях дистанционного зондирования RSO-YOLO (YOLO для изображений дистанционного зондирования с ориентированными ограничивающими рамками). Во-первых, использован модуль辅助ного增强 данных низкой освещённости для улучшения проблем слабого освещения, шума, размытия и недостаточной контрастности; во-вторых, спроектирована разъединённая голова предсказания угла, дающая алгоритму способность воспринимать направление объектов в дистанционном зондировании; также внедрена функция потерь KFIoU (Калмановский фильтр пересечения по объединению), основанная на фильтре Калмана, для решения проблемы периодичности угла вращения, а также использована функция потерь DFL (распределённая фокальная потеря) для изучения распределения повёрнутых ограничивающих рамок, что снижает неточности углов для почти квадратных объектов при гауссовом моделировании; далее создана динамическая стратегия назначения меток для обнаружения повёрнутых объектов, которая учитывает ИОС (IOU) и оценки классов в процессе назначения для построения пространства примеров, лучше отражающего характеристики объектов; наконец, применён ProbIoU (вероятностный IOU) на основе расстояния Хеллингера для подавления немаксимумов, чтобы снизить вычислительную нагрузку. Детектор RSO-YOLO был проверен на публичном наборе данных DIOR-R и сравнён с несколькими типичными методами обнаружения повёрнутых объектов. Результаты показывают, что предложенный метод RSO-YOLO достигает комплексной точности обнаружения 81,1% по средней точности (mAP), занимая первое место, при этом обеспечивает реальное время обнаружения. Кроме того, использование модуля辅助ного增强 данных повышает mAP на 1,5%. В целом, предложенный RSO-YOLO совмещает скорость и точность обнаружения повёрнутых объектов и имеет инженерную применимость и потенциал в таких сценах дистанционного зондирования, как морской и аэропортовый мониторинг, управление городом, оценка бедствий, сельскохозяйственный и лесной осмотр, а также предлагает модульное решение, пригодное к повторному использованию для исследований детекции при низкой освещённости и сложном фоне.

глубокое обучение;обнаружение объектов дистанционного зондирования;поворотные рамки;усиление данных;стратегия соответствия положительных и отрицательных образцов для поворотных рамок;двухмерное гауссово распределение