Прецизионное детектирование пространственноразнесённых объектов на аэрокосмических снимках для решения обратных задач

Abstract

Обработка данных дистанционного зондирования, основанная на методах глубокого обучения, находит широкое применение в различных междисциплинарных задачах. Современные подходы преимущественно сосредоточены на разработке методов глубокого обучения, предназначенных для обнаружения объектов в густонаселённых городских условиях, которые плохо подходят для обнаружения пространственно-разнесённых объектов, особенно мелкозернистых. Характерным примером является обнаружение морских судов на открытой водной поверхности. К проблемам в этой области относятся неоднородный шумовой фон, вызванный меняющимися условиями освещения, внешние артефакты, размытие, вызванное волнами, вид сверху, дающий некачественные карты характеристик объектов, и необходимость сканирования больших территорий для поиска объектов. Для решения этих проблем в данной статье предложен новый гибридный подход к глубокому обучению для обнаружения пространственно-разнесённых объектов. Предлагаемый метод включает в себя ансамбль классификаторов на основе DenseNet_l и ResNet_l в сочетании с детектором YOLOv11+ и полуконтролируемой стратегией обучения. Кроме того, для прецизионного детектирования мелкозернистых объектов предлагается улучшенная версия модели YOLOv11+fg с адаптированными модулями C3K2, UpSample и SPFF. Метод детектирования был разработан, предварительно обучен и валидирован с использованием набора спутниковых изображений Airbus SPOT, а затем дополнительно дообучен на базе датасета ShipRSImageNet для задачи обнаружения мелкозернистых объектов. Результаты демонстрируют эффективность крупномасштабного сканирования в дистанционном зондировании и распознавания пространственно-разнесённых объектов, а также превосходят по точности показатели обнаружения мелкозернистых объектов оригинальной моделью.