Эффективное обнаружение зданий на изображениях дистанционного зондирования на основе улучшенной сети YOLOv10

Ву С.; Абламейко С. В.

Эффективное обнаружение зданий на изображениях дистанционного зондирования на основе улучшенной сети YOLOv10

Ву С. , Абламейко С. В.

2025

https://doi.org/10.37661/1816-0301-2025-22-2-33-47

Цели . В настоящее время быстрое определение местоположения и размера объектов зданий с помощью изображений дистанционного зондирования имеет важное научно-исследовательское и практическое значение для городского планирования, мониторинга окружающей среды и управления стихийными бедствиями.Методы . Предлагается метод обнаружения объектов на основе улучшенной сети YOLOv10, которая включает в себя механизм внимания Супертокен, модель RepConv (повторно параметризуемая свертка) и нормализованное взвешенное расстояние для более точного обнаружения зданий на изображениях дистанционного зондирования. Метод повышает точность и эффективность обнаружения, особенно для небольших объектов. Набор данных LEVIR-CD используется для обучения и тестирования модели.Результаты . Экспериментальные результаты показывают, что предлагаемый метод демонстрирует лучшую точность при решении задачи обнаружения зданий, чем традиционный YOLOv10 и другие методы.Заключение. Предлагаемый метод эффективно повышает точность и эффективность обнаружения зданий на изображениях дистанционного зондирования

Ву С. , Абламейко С. В. Эффективное обнаружение зданий на изображениях дистанционного зондирования на основе улучшенной сети YOLOv10. Информатика. 2025;22(2):33-47. https://doi.org/10.37661/1816-0301-2025-22-2-33-47

Цитирование

Список литературы

1. Li S. T., Li C. Y., Kang X. D. Current status and future prospects of multi-source remote sensing image fusion. National Remote Sensing Bulletin, 2021, vol. 25, no. 1, pp. 148–166. DOI: 10.11834/jrs.20210259.

2. Luo H. L., Wang W. X., Ye X. Y., Zhu S. X., Bai Y. Q. Research progress on directed object detection based on deep learning. Image and Signal Processing, 2024, vol. 13, no. 3, pp. 258–270. DOI: 10.12677/jisp.2024.133022.

3. Abdikan S., Bilgin G., Sanli F. B., Uslu E., Ustuner M. Enhancing land use classification with fusing dualpolarized terrasar-x and multispectral rapideye data. Journal of Applied Remote Sensing, 2015, vol. 9, no. 1, p. 096054. DOI: 10.1117/1.JRS.9.096054.

4. Liu F. F., Zhu C. M., Zhao N. N., Wu J. H. Remote sensing small target detection based on multimodal fusion. Laser & Optoelectronics Progress, 2024, vol. 61, no. 24, p. 2428010. DOI: 10.3788/LOP241203.

5. Li J., Wei X. M. Research on efficient detection network method for remote sensing images based on selfattention mechanism. Image and Vision Computing, 2024, vol. 142, p. 104884. DOI: 10.1016/j.imavis.2023.104884.

6. Liu D., Zhong L., Wu H., Li S., Li Y. Remote sensing image super-resolution reconstruction by fusing multi-scale receptive fields and hybrid transformer. Scientific Reports, 2025, vol. 15, p. 2140. DOI: 10.1038/s41598-025-86446-5.

7. Li Z., Wang H., Ma G., Yang W., Ablameyko S. Effective small object detection in remote sensing images based on improved YOLOv8 network. Nonlinear Phenomena in Complex Systems, 2024, vol. 27, no. 3, pp. 278–291. DOI: 10.5281/zenodo.13960639.

8. Tan M., Le Q. V. EfficientNetV2: Smaller models and faster training, 2021. Available at: https://arxiv.org/abs/2104.00298 (accessed 13.02.2025). DOI: 10.48550/arXiv.2104.00298. (Preprint).

9. Woo S., Park J., Lee J. Y., Kweon I. S. CBAM: Convolutional Block Attention Module. Proceedings of the European Conference on Computer Vision (ECCV), Munich, Germany, 8–14 September 2018. Springer, Cham, 2018, pp. 3–19. DOI: 10.1007/978-3-030-01234-2_1.

10. Wang A., Chen H., Lin Z., Han J., Ding G. RepViT: Revisiting mobile CNN from ViT perspective, 2023. Available at: https://arxiv.org/abs/2307.09283 (accessed 13.02.2025). DOI: 10.48550/arXiv.2307.09283. (Preprint).

11. Dosovitskiy A., Beyer L., Kolesnikov A., Weissenborn D., Zhai X., …, Houlsby N. An image is worth 16×16 words: Transformers for image recognition at scale, 2020. Available at: https://arxiv.org/abs/2010.11929 (accessed 13.02.2025). DOI: 10.48550/arXiv.2010.11929. (Preprint).

12. Wang X., Zhu D., Yan Y. Towards efficient detection for small objects via attention-guided detection network and data augmentation. Sensors, 2022, vol. 22, no. 19, p. 7663. DOI: 10.3390/s22197663.

13. Wang A., Chen H., Liu L. H., Chen K., Lin Z. J., …, Ding G. G. YOLOv10: Real-time end-to-end object detection, 2024. Available at: https://doi.org/10.48550/arXiv.2405.14458 (accessed 13.02.2025). DOI: 10.48550/arXiv.2405.14458. (Preprint).

14. Wang J., Xu C., Yang W., Yu L. A normalized Gaussian Wasserstein distance for tiny object detection, 2021. Available at: https://doi.org/10.48550/arXiv.2110.13389 (accessed 13.02.2025). DOI: 10.48550/arXiv.2110.13389. (Preprint).

15. Huang H. B., Zhou X. Q., Cao J., He R., Tan T. N. Vision transformer with super token sampling, 2022. Available at: https://doi.org/10.48550/arXiv.2211.11167 (accessed 13.02.2025). DOI: 10.48550/arXiv.2211.11167. (Preprint).

16. Wan D. H., Lu R., Tian S., Xu T., Lang X., Ren Z. Mixed local channel attention for object detection. Engineering Applications of Artificial Intelligence, 2023, vol. 123, p. 106442. DOI: 10.1016/j.engappai.2023.106442.

17. Wang H., Ablameyko S. Enhancing small object detection in remote sensing images using mixed local channel attention with YOLOv8. Journal of Computer Technology and Applied Mathematics, 2024, vol. 1, no. 1, pp. 40–45. DOI: 10.5281/zenodo.10986298.

18. Ding X., Zhang X., Ma N., Han J., Ding G., Sun J. RepVGG: Making VGG-style ConvNets great again. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Nashville, TN, USA, 20–25 June 2021, рр. 13 733–13 742.

19. Vasa V. K., Zhu W., Chen X., Qiu P., Dong X., Wang Y. STA-Unet: Rethink the semantic redundant for medical imaging segmentation, 2024. Available at: https://arxiv.org/pdf/2410.11578 (accessed 13.02.2025). DOI: 10.48550/arXiv.2410.11578. (Preprint).

20. Yu Z., Huang H., Chen W., Su Y., Liu Y., Wang X. YOLO-FaceV2: A scale and occlusion aware face detector, 2022. Available at: https://arxiv.org/pdf/2208.02019v2 (accessed 13.02.2025). DOI: 10.48550/arXiv.2208.02019. (Preprint).

21. Chen H., Shi Z. A spatial-temporal attention-based method and a new dataset for remote sensing image change detection. Remote Sensing, 2020, vol. 12, no. 10, p. 1662. DOI: 10.3390/rs12101662.

Источник

Информация

Автор

Ву С. Белорусский государственный университет
Абламейко С. В. Объединенный институт проблем информатики Национальной академии наук

Страницы

33-47

Год издания

2025

Ключевые слова

Коллекции

Информатика