基于SO-YOLO的遥感图像目标检测算法

摘要

针对遥感图像目标检测中存在图像分辨率低、小目标特征信息不足以及检测难度大等问题，提出一种基于改进YOLO11的遥感图像目标检测算法SO-YOLO。首先，设计一个新的卷积神经网络(CNN)构建块SDOD-Conv,由空间到深度转换层和全维动态卷积组成，代替主干网络中的跨步卷积和池化层，加强特征提取，在特征提取过程中避免细粒度信息损失；其次，在颈部网络中引入空间和通道重建卷积(SCConv),压缩特征之间的空间和通道冗余，减少冗余计算并促进代表性特征学习；最后，采用Inner-IoU损失函数作为回归损失，通过引入比例因子的辅助边界框计算IoU损失，获得更快、更准确的回归结果。在HRSC2016数据集和DOTA数据集上的实验结果表明，相较于YOLO11,改进后算法的平均精度均值分别提高了2.3%和2.0%,表明改进算法具有良好的检测性能。

关键词

遥感图像 / 目标检测 / YOLO11 / 卷积模块优化

基金资助

国家自然科学基金项目(62102272)