pimiПриборы и методы измеренийDevices and Methods of Measurements2220-95062414-0473BNTU10.21122/2220-9506-2025-16-4-379-385pimi-1005Research ArticleМетоды измерений, контроля, диагностикиMethods of measurements, monitoring, diagnosticsПрецизионное детектирование пространственно-разнесённых объектов на аэрокосмических снимках для решения обратных задачDetection of Spatially Distributed Fine-Grained Objects in Aerospace Images for Inverse Problem SolvingСаечниковИ. В.SaetchnikovI. V.

Адрес для переписки:пр-т Независимости, 4, г. Минск 220030,Беларусь e-mail: saetchnikovivan@gmail.com

Address for correspondence:Nesavisimosty Avе., 4, Minsk 220030,Belaruse-mail: saetchnikovivan@gmail.com

saetchnikovivan@gmail.comСкакунВ. В.SkakunV. V.

пр-т Независимости, 4, г. Минск 220030

Nesavisimosty Avе., 4, Minsk 220030

ЧернявскаяЭ. А.TcherniavskaiaE. А.

пр-т Независимости, 4,г. Минск 220030

Nesavisimosty Avе., 4, Minsk 220030

Белорусский государственный университетБеларусьBelarusian State UniversityBelarus202524122025164379385Copyright © Саечников И.В., Скакун В.В., Чернявская Э.А., 20252025Саечников И.В., Скакун В.В., Чернявская Э.А.Saetchnikov I.V., Skakun V.V., Tcherniavskaia E.А.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://pimi.bntu.by/jour/article/view/1005

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.

Remote sensing data processing based on deep learning methods has been widely used in several cross-domain tasks. Current approaches predominantly focus on developing deep learning methods dedicated to object detection in densely populated urban environments, which are not well suited for sparsely distributed objects, especially fine-grained ones. A representative example is maritime vessel detection on open water surfaces. The challenges in this domain include heterogeneous noise backgrounds caused by varying lighting conditions, external artifacts, wave-induced blurs, top-view perspectives that yield poor feature maps of the objects, and the need to scan large areas for object searching. To address these challenges, this paper proposes a novel hybrid deep learning approach for sparse distributed fine-grained object detection. The proposed method includes an ensemble of classifiers based on DenseNet_l and ResNet_l, combined with a YOLOv11+ detector and a semi-supervised learning strategy. Furthermore, for fine-grained object detection, an improved version of the YOLOv11+fg model is proposed, featuring adapted C3K2, UpSample, and SPFF modules. The approach was developed, pretrained, and validated using the Airbus SPOT Satellite Imagery dataset, and further trained with a subset of ShipRSImageNet for fine-grained detection. Results demonstrate the effectiveness of large-scale scanning in remote sensing and recognize sparsely distributed objects, outperforming the fine-grained detection score compared to the original model.

гибридное глубокое обучениедетектирование объектаансамблевый методполуконтролируемое обучениеобратная задачаhybrid deep learningobject detectionensemblesemi-supervisedinverse problemReferencesHe Lh. [et al.]. Research on object detection and recognition in remote sensing images based on YOLOv11. Nature: Scientific Reports. 2025;(15):14032. DOI: 10.1038/s41598-025-96314-xHe Lh. [et al.]. Research on object detection and recognition in remote sensing images based on YOLOv11. Nature: Scientific Reports. 2025;(15):14032. DOI: 10.1038/s41598-025-96314-xSaetchnikov I, Tcherniavskaia E, Skakun V. Object Detection for Unmanned Aerial Vehicle Camera via Convolutional Neural Networks. IEEE Journal on Miniaturization for Air and Space Systems.2021;2(2):98-103. DOI: 10.1109/JMASS.2020.3040976Saetchnikov I, Tcherniavskaia E, Skakun V. Object Detection for Unmanned Aerial Vehicle Camera via Convolutional Neural Networks. IEEE Journal on Miniaturization for Air and Space Systems.2021;2(2):98-103. DOI: 10.1109/JMASS.2020.3040976Zhu XX. [et al.]. Deep Learning in Remote Sensing: A Comprehensive Review and List of Resources. IEEE Geoscience and Remote Sensing Magazine. 2017;5(4):8-36. DOI: 10.1109/MGRS.2017.2762307Zhu XX. [et al.]. Deep Learning in Remote Sensing: A Comprehensive Review and List of Resources. IEEE Geoscience and Remote Sensing Magazine. 2017;5(4):8-36. DOI: 10.1109/MGRS.2017.2762307Cheng G, Zhou P, Han J. Learning Rotation-Invariant Convolutional Neural Networks for Object Detection in VHR Optical Remote Sensing Images. IEEE Transactions on Geoscience and Remote Sensing. 2016;54(12):74057415. DOI: 10.1109/TGRS.2016.2601622Cheng G, Zhou P, Han J. Learning Rotation-Invariant Convolutional Neural Networks for Object Detection in VHR Optical Remote Sensing Images. IEEE Transactions on Geoscience and Remote Sensing. 2016;54(12):74057415. DOI: 10.1109/TGRS.2016.2601622Ding J. [et al.]. Object Detection in Aerial Images: A Large-Scale Benchmark and Challenges. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2022;44(11):7778-7796. DOI: 10.1109/TPAMI.2021.3117983Ding J. [et al.]. Object Detection in Aerial Images: A Large-Scale Benchmark and Challenges. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2022;44(11):7778-7796. DOI: 10.1109/TPAMI.2021.3117983Guo H, Yang X, Wang N, Gao X. A CenterNet++ model for ship detection in SAR images. Pattern Recognition. 2021;112(1):107787-107787. DOI: 10.1016/j.patcog.2020.107787Guo H, Yang X, Wang N, Gao X. A CenterNet++ model for ship detection in SAR images. Pattern Recognition. 2021;112(1):107787-107787. DOI: 10.1016/j.patcog.2020.107787Gupta H. [et al.]. Ship detection using ensemble deep learning techniques from synthetic aperture radar imagery. Scientific Reports. 2024;14(1). DOI: 10.1038/s41598-024-80239-yGupta H. [et al.]. Ship detection using ensemble deep learning techniques from synthetic aperture radar imagery. Scientific Reports. 2024;14(1). DOI: 10.1038/s41598-024-80239-yLiu J, Yang D, Hu F. Multiscale Object Detection in Remote Sensing Images Combined with Multi-Receptive-Field Features and Relation-Connected Attention. Remote Sensing. 2022;14(2):427-447. DOI: 10.3390/rs14020427Liu J, Yang D, Hu F. Multiscale Object Detection in Remote Sensing Images Combined with Multi-Receptive-Field Features and Relation-Connected Attention. Remote Sensing. 2022;14(2):427-447. DOI: 10.3390/rs14020427Fan X. [et al.]. A Small-Ship Object Detection Method for Satellite Remote Sensing Data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2024;(17):11886-11898. DOI: 10.1109/JSTARS.2024.3419786Fan X. [et al.]. A Small-Ship Object Detection Method for Satellite Remote Sensing Data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2024;(17):11886-11898. DOI: 10.1109/JSTARS.2024.3419786Zhang Z, Zhang L, Wang Y, Feng P, He R. ShipRSImageNet: A Large-Scale Fine-Grained Dataset for Ship Detection in High-Resolution Optical Remote Sensing Images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2021;(14):84588472. DOI: 10.1109/JSTARS.2021.3104230Zhang Z, Zhang L, Wang Y, Feng P, He R. ShipRSImageNet: A Large-Scale Fine-Grained Dataset for Ship Detection in High-Resolution Optical Remote Sensing Images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2021;(14):84588472. DOI: 10.1109/JSTARS.2021.3104230Huang G, Liu Z, Van Der Maaten L, Weinberger KQ. Densely Connected Convolutional Networks. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017;2261-2269. arXiv:1608.06993v5Huang G, Liu Z, Van Der Maaten L, Weinberger KQ. Densely Connected Convolutional Networks. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017;2261-2269. arXiv:1608.06993v5He K, Zhang X, Ren S, Sun J. Deep Residual Learning for Image Recognition. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA. 2016;770-778 pp. arXiv:1512.03385He K, Zhang X, Ren S, Sun J. Deep Residual Learning for Image Recognition. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA. 2016;770-778 pp. arXiv:1512.03385Redmon J, Divvala S, Girshick R, Farhadi A. You Only Look Once: Unified, Real-Time Object Detection. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA. 2016;779788 pp. DOI: 10.1109/CVPR.2016.91Redmon J, Divvala S, Girshick R, Farhadi A. You Only Look Once: Unified, Real-Time Object Detection. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA. 2016;779788 pp. DOI: 10.1109/CVPR.2016.91Saetchnikov I, Skakun V, Tcherniavskaia E. Deep Neural Network-Based Dynamical Object Recognition and Robust Multiobject Tracking Technique for Onboard Unmanned Aerial Vehicle’s Computer VisionBased Systems. IEEE Journal on Miniaturization for Air and Space Systems. 2023;4(3):250-256. DOI: 10.1109/JMASS.2023.3274929Saetchnikov I, Skakun V, Tcherniavskaia E. Deep Neural Network-Based Dynamical Object Recognition and Robust Multiobject Tracking Technique for Onboard Unmanned Aerial Vehicle’s Computer VisionBased Systems. IEEE Journal on Miniaturization for Air and Space Systems. 2023;4(3):250-256. DOI: 10.1109/JMASS.2023.3274929

The authors declare that there are no conflicts of interest present.