Anterior|Siguiente

Detección ligera de objetivos en imágenes de teledetección basada en reconstrucción espacio-canal

  • role： First author第一作者
  • Affiliation：

    School of Software, Nanchang Hangkong University, Nanchang 330063, China

    Huihang (Jiangxi) Digital Technology Company Ltd., Nanchang 330038, China

  • Email：geyun@nchu.edu.cn
  • Introduction：葛芸，研究方向为人工智能、计算机视觉、遥感图像智能解译。E-mail： geyun@nchu.edu.cn
GE Yun14,  
  • Affiliation：

    School of Software, Nanchang Hangkong University, Nanchang 330063, China

CHEN Jinliang1,  
  • role： Corresponding author通信作者
  • Affiliation：

    Shanghai Longcheer Technology Company Ltd., Shanghai 200233, China

  • Email：wenning2000@foxmail.com
  • Introduction：温宁，研究方向为遥感图像目标检测。E-mail： wenning2000@foxmail.com
WEN Ning3*,  
  • Affiliation：

    School of Software, Nanchang Hangkong University, Nanchang 330063, China

CEN Yubo1,  
  • Affiliation：

    School of Software, Nanchang Hangkong University, Nanchang 330063, China

WANG Anni1,  
  • Affiliation：

    School of Civil Engineering and Transportation, Nanchang Hangkong University, Nanchang 330063, China

    Huihang (Jiangxi) Digital Technology Company Ltd., Nanchang 330038, China

WANG Ting24

resumen

La detección ligera de objetivos en imágenes de teledetección tiene un valor clave en el procesamiento eficiente de datos de teledetección y en aplicaciones de escenarios reales, mientras que los objetivos circulares o casi cuadrados (como tanques de petróleo, vehículos, etc.) son muy comunes en las imágenes de teledetección. La detección precisa de estos objetivos es importante para tareas como el monitoreo de recursos y la planificación urbana. En el contexto de un aumento continuo en la precisión de la detección de objetivos en imágenes de teledetección, la complejidad del modelo ha aumentado significativamente, y los métodos existentes tienen dificultades para lograr un equilibrio efectivo entre precisión y complejidad del modelo. Para abordar este problema, basándose en las redes existentes para detectar objetivos circulares o casi cuadrados, se propone un método ligero de detección de objetivos en imágenes de teledetección basado en la reconstrucción espacio-canal, con el objetivo de mantener alta precisión mientras se reduce la complejidad del modelo. Primero, para la redundancia de información espacial en el mapa de características, se utiliza una unidad de reconstrucción espacial que separa el mapa en un grupo con información espacial rica y un grupo con información espacial redundante. Luego, se realiza una reconstrucción cruzada para reducir la redundancia espacial y mejorar la representación de las características espaciales de los objetivos en las imágenes de teledetección; luego, para la redundancia de información de canales en el mapa, se propone una unidad de reconstrucción de canales basada en convolución parcial que divide el mapa en dos partes a lo largo de la dimensión del canal: una parte utiliza convolución parcial para la extracción eficiente de características, la otra utiliza convolución puntual para capturar detalles ocultos; las dos partes se reensamblan y ponderan para extraer características con menos costo computacional y mejorar la representación de las características importantes del canal. Los resultados experimentales muestran que el método propuesto reduce eficazmente el cálculo y el número de parámetros del modelo, manteniendo una buena precisión de detección.

palabra clave

imágenes de teledetección; detección de objetivos; objetivos circulares; aligeramiento del modelo; unidad de reconstrucción

References

  1. 1.
    Chen J R, Kao S H, He H, Zhuo W P, Wen S, Lee C H and Chan S H G. 2023. Run, don't walk: chasing higher FLOPS for faster neural networks//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Vancouver: IEEE: 12021-12031
  2. 2.
    Cheng G and Han J W. 2016. A survey on object detection in optical remote sensing images. ISPRS Journal of Photogrammetry and Remote Sensing, 117: 11-28
  3. 3.
    Chollet F. 2017. Xception: deep learning with depthwise separable convolutions//2017 IEEE Conference on Computer Vision and Pattern Recognition. Honolulu: IEEE: 1800-1807
  4. 4.
    Dong Y, Yang H T, Liu S L, Gao G S and Li C L. 2024. Optical remote sensing object detection based on background separation and small object compensation strategy. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 19: 3341-3351
  5. 5.
    Duan K W, Bai S, Xie L X, Qi H G, Huang Q M and Tian Q. 2019. CenterNet: keypoint triplets for object detection//2019 IEEE/CVF International Conference on Computer Vision. Seoul: IEEE: 6568-6577
  6. 6.
    Fan F, Zhang M, Yu D H, Li J J and Liu G W. 2024. Efficient remote sensing image target detection network with shape-location awareness enhancements. IEEE Sensors Journal, 24(19): 30654-30667
  7. 7.
    Gao T, Xia S L, Liu M K, Zhang J, Chen T and Li Z Q. 2025. MSNet: multi-scale network for object detection in remote sensing images. Pattern Recognition, 158: 110983
  8. 8.
    Gu Q, Huang H S, Han Z G, Fan Q S and Li Y T. 2024. GLFE-YOLOX: global and local feature enhanced YOLOX for remote sensing images. IEEE Transactions on Instrumentation and Measurement, 73: 2516112
  9. 9.
    Han K, Wang Y H, Tian Q, Guo J Y, Xu C J and Xu C. 2020. GhostNet: more features from cheap operations//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle: IEEE: 1577-1586
  10. 10.
    Hu X, Chu L Y, Pei J, Liu W Q and Bian J. 2021. Model complexity of deep learning: a survey. Knowledge and Information Systems, 63(10): 2585-2619
  11. 11.
    Krizhevsky A, Sutskever I and Hinton G E. 2012. ImageNet classification with deep convolutional neural networks//26th International Conference on Neural Information Processing Systems. Lake Tahoe: Curran Associates Inc.: 1097-1105
  12. 12.
    Li G, Wang X H, Zhang D, Wu Z Y and Di L J. 2024. A lightweight algorithm for ship target detection in optical remote sensing imagery. Space Electronic Technology, 21(6): 50-56
  13. 13.
    Li J F, Wen Y and He L H. 2023. SCConv: spatial and channel reconstruction convolution for feature redundancy//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Vancouver: IEEE: 6153-6162
  14. 14.
    Li J J, Tian P H, Song R, Xu H T, Li Y S and Du Q. 2024. PCViT: a pyramid convolutional vision transformer detector for object detection in remote-sensing imagery. IEEE Transactions on Geoscience and Remote Sensing, 62: 5608115
  15. 15.
    Li K, Wan G, Cheng G, Meng L Q and Han J W. 2020. Object detection in optical remote sensing images: a survey and a new benchmark. ISPRS Journal of Photogrammetry and Remote Sensing, 159: 296-307
  16. 16.
    Li Y S, Wang L L, Wang T Z, Yang X, Luo J W, Wang Q, Deng Y M, Wang W B, Sun X, Li H F, Dang B, Zhang Y J, Yu Y and Yan J C. 2025. STAR: a first-ever dataset and a large-scale benchmark for scene graph generation in large-size satellite imagery. IEEE Transactions on Pattern Analysis and Machine Intelligence, 47(3): 1832-1849
  17. 17.
    Lin J D, Wu X Y, Chai Y and Yin H P. 2020. Structure optimization of convolutional neural networks: a survey. Acta Automatica Sinica, 46(1): 24-37
  18. 18.
    Lin T Y, Goyal P, Girshick R, He K M and Dollár P. 2018. Focal loss for dense object detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 42(2): 318-327
  19. 19.
    Phan H H, Ha C T and Nguyen T T. 2020. Improving the efficiency of human action recognition using deep compression//2020 International Conference on Multimedia Analysis and Pattern Recognition. Ha Noi: IEEE: 1-6
  20. 20.
    Qin Y, Lu C X, Liu Y L, Wu Q X, Zhang Q and Zhang X B. 2025. Algorithm for the fast detection of aircraft targets on the basis of optical remote sensing for embedded platforms. National Remote Sensing Bulletin, 29(3): 762-775
  21. 21.
    Ren S Q, He K M, Girshick R B and Sun J. 2017. Faster R-CNN: towards real-time object detection with region proposal networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(6): 1137-1149
  22. 22.
    Shi C P, Zhang X L, Sun J W and Wang L G. 2022. Remote sensing scene image classification based on self-compensating convolution neural network. Remote Sensing, 14(3): 545
  23. 23.
    Song H X, Xia H J, Wang W H, Zhou Y, Liu W B, Liu Q and Liu J L. 2025. QAGA-Net: enhanced vision transformer-based object detection for remote sensing images. International Journal of Intelligent Computing and Cybernetics, 18(1): 133-152
  24. 24.
    Wang H C, Xin Y L, Guo J and Wang Q Q. 2024. Lightweight remote sensing ship detection algorithm based on YOLOv5s. Chinese Journal of Ship Research, 19(5): 200-207
  25. 25.
    Wang X X, Wang G Z, Dang Q Q, Liu Y, Hu X G and Yu D H. 2022. PP-YOLOE-R: an efficient anchor-free rotated object detector. arXiv: 2211. 02386
  26. 26.
    Wang Y. 2025. An overview of object detection algorithm based on deep learning. Science & Technology Information, 23(2): 64-66
  27. 27.
    Wen N, Ge Y, Yang X Y, Yu M G and Wang T. 2025. Adaptive circular receptive field for remote sensing image target detection. IEEE Access, 13: 30155-30166
  28. 28.
    Xie S Y, Zhou M, Wang C L and Huang S S. 2024. CSPPartial-YOLO: a lightweight YOLO-based method for typical objects detection in remote sensing images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 17: 388-399
  29. 29.
    Yin H T, Zhu Z Y and Wang H. 2025. SED-DETR: a scale-enhanced deformable detection transformer for remote sensing images. IEEE Transactions on Geoscience and Remote Sensing, 63: 5624412
  30. 30.
    Zhang S, Li S S, Wei G F, Zhang X N and Gao J W. 2022. Refined multi-scale feature-oriented object detection of the remote sensing images. National Remote Sensing Bulletin, 26(12): 2616-2628
  31. 31.
    Zhang Y L, Yuan Y, Feng Y C and Lu X Q. 2019. Hierarchical and robust convolutional neural network for very high-resolution remote sensing object detection. IEEE Transactions on Geoscience and Remote Sensing, 57(8): 5535-5548
  32. 32.
    Zhao F Y, Zhang J W and Zhang G P. 2024. FFEDet: fine-grained feature enhancement for small object detection. Remote Sensing, 16(11): 2003
  33. 33.
    Zhou Q K, Zhou H P, Sun K L and Deng B. 2025. ARST-YOLOv7: small target detection network for aerial remote sensing images. Computer Engineering and Applications, 61(12): 232-242

Leer el texto completo

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website