Konya Journal of Engineering Sciences·9月1日 · 周二论文农业遥感与作物表型阅读 0
AN ATTENTION-INTEGRATED YOLO11-S MODEL FOR OBJECT DETECTION IN SATELLITE IMAGERY: PERFORMANCE ANALYSIS AND COMPARISON
İbrahim Aruk · Hakan Açıkgöz · Ertugrul Dogruluk
论文解读
0未达精选线
速览
提出一种集成CBAM注意力机制的YOLO11-S模型，用于卫星图像中的飞机目标检测，性能优于其他模型
方法
在YOLO11-S中集成卷积块注意力模块(CBAM)，使用HRPlanesv2数
发现
模型达到mAP50 0.9868，mAP50-95 0.7911，精度0.9811，召回0.9637
机会点
可将该注意力增强的检测方法应用于农业遥感中的小目标检测，如无人机图像中的作物病虫害或农田设施识别。
影响力0
信息增量0
专业深度0
信源权威0
时效性0
该论文聚焦卫星图像目标检测，未涉及农业应用，与三农领域不相关。
原文摘要
随着遥感技术的不断进步，我们现在能够从不同视角观测地球。这些技术已在众多领域引发了重大变革。高分辨率卫星图像推动了民用和军用应用的发展，如环境监测、灾害管理和公共安全等。尽管这些图像为我们提供了大量信息，我们仍需要高级分析和自动化目标检测技术。近期采用深度学习架构的研究在卫星图像目标检测方面取得了较高的成功率。本研究通过评估多种YOLO目标检测算法结合卷积块注意力模块（CBAM）对卫星图像中飞机检测的影响，提出了一种新颖模型。我们使用HRPlanesv2数据集进行实验。结果表明，所提出的模型相比其他模型具有更优的性能。该模型达到了mAP50为0.9868、mAP50-95为0.7911、精确率为0.9811、召回率为0.9637的成绩。引入CBAM改善了在拥挤和复杂场景中的目标检测效果。这些结果证明，在YOLO架构中结合注意力机制对卫星图像目标检测具有显著影响。同时，该模型为需要准确且稳定飞机检测的实际应用提供了一种可靠且高效的解决方案。