40 / 2024-08-12 19:06:22

DGS-YOLO：基于YOLOV8的遥感图像细粒度建筑物检测

细粒度建筑物检测,复杂场景,损失函数,类间相似性

近年来，运用无人机对建筑物进行精细化识别在监控违章建筑中发挥着越来越重要的作用。然而，当前的细粒度建筑物检测模型，往往忽略了在复杂背景情况下内间相似性问题的探索。这种探索对于加强上下文建模能力和学习更多具有判别性的特性至关重要。此外，数据集中样本不平衡问题导致模型的泛化能力差，从而限制了模型识别小样本特征的能力。为了解决这些挑战，本文介绍了一种设计用于细粒度建筑物检测的DGS-YOLO网络(DGS-YOLO)。该网络的编码器采用C2f_Dyconv模块，增强了特征空间中的特征提取能力；网络的颈部采用C2f_GELAN模块，引入门控机制和高效的特征聚合策略，提升了模型对在建建筑和已建成建筑的特征区分能力。此外，网络采用了SLideLoss损失函数，加强了类别不平衡样本的特征约束，增强了检测模型对于少样本类别的识别能力。对数据集UAV-FBD的评估表明，DGS-YOLO在细粒度建筑物检测方面优于现有的最先进的方法YOLOV8-S模型，mAP@0.5和mAP@0.5-0.95分别获得了7.8%和4%的提升。