Прецизионное детектирование пространственно-разнесённых объектов на аэрокосмических снимках для решения обратных задач

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.

1. He 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-x

2. Saetchnikov 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.2020.3040976

3. Zhu 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.2017.2762307

4. Cheng 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.2016.2601622

5. Ding 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.2021.3117983

6. Guo 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.2020.107787

7. Gupta 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-y

8. Liu 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/rs14020427

9. Fan 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.2024.3419786

10. Zhang 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.2021.3104230

11. Huang 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:1608.06993v5

12. He 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:1512.03385

13. Redmon 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.2016.91

14. Saetchnikov 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