Ddl r-cnn: dynamic direction learning r-cnn para detección de objetos rotados
Autores: Su, Weixian; Jing, Donglin
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Ddl r-cnn: dynamic direction learning r-cnn para detección de objetos rotados
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Software
Palabras clave
Teledetección
Cajas de anclaje
Dirección
Características
Regresión
Objetivos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 33
Citaciones: Sin citaciones
Los detectores actuales de teledetección (RS) a menudo dependen de cajas de anclaje predefinidas con ángulos fijos para manejar las variaciones multidireccionales de los objetivos. Este enfoque hace que sea desafiante seleccionar con precisión regiones de interés y extraer características que se alineen con la dirección de los objetivos. La mayoría de los métodos de regresión existentes también adoptan la regresión de ángulo para que coincida con los atributos de los detectores de teledetección. Debido a la dirección de regresión inconsistente y a las cajas de anclaje masivas con una alta relación de aspecto, las características del objetivo extraídas cambian considerablemente, la función de pérdida cambia drásticamente y el entrenamiento es inestable. Sin embargo, los detectores RS existentes y las técnicas de regresión no han podido equilibrar de manera efectiva la precisión de la extracción de características direccionales con la complejidad de los modelos. Para abordar estos desafíos, este artículo introduce un enfoque novedoso conocido como Dynamic Direction Learning R-CNN (DDL R-CNN), que comprende un módulo de aprendizaje de dirección dinámica (DDL) y una red generadora de desplazamiento de región central de límite (BC-ROPN). El módulo DDL preextrae las características direccionales de los objetivos para proporcionar una estimación gruesa de sus ángulos y los pesos correspondientes. Esta información se utiliza para generar cajas de anclaje alineadas de forma rotacional que modelan mejor las características direccionales de los objetivos. BC-ROPN representa un método innovador para la regresión de cajas de anclaje. Utiliza las características centrales del ancho y alto del rectángulo de límite máximo, junto con la estimación gruesa del ángulo y los pesos derivados del módulo DDL, para refinar la orientación de la caja de anclaje. Nuestro método ha demostrado superar las redes de detección rotativas existentes en pruebas extensas en dos conjuntos de datos de detección de teledetección ampliamente utilizados, a saber, UCAS-AOD y HRSC2016.
Descripción
Los detectores actuales de teledetección (RS) a menudo dependen de cajas de anclaje predefinidas con ángulos fijos para manejar las variaciones multidireccionales de los objetivos. Este enfoque hace que sea desafiante seleccionar con precisión regiones de interés y extraer características que se alineen con la dirección de los objetivos. La mayoría de los métodos de regresión existentes también adoptan la regresión de ángulo para que coincida con los atributos de los detectores de teledetección. Debido a la dirección de regresión inconsistente y a las cajas de anclaje masivas con una alta relación de aspecto, las características del objetivo extraídas cambian considerablemente, la función de pérdida cambia drásticamente y el entrenamiento es inestable. Sin embargo, los detectores RS existentes y las técnicas de regresión no han podido equilibrar de manera efectiva la precisión de la extracción de características direccionales con la complejidad de los modelos. Para abordar estos desafíos, este artículo introduce un enfoque novedoso conocido como Dynamic Direction Learning R-CNN (DDL R-CNN), que comprende un módulo de aprendizaje de dirección dinámica (DDL) y una red generadora de desplazamiento de región central de límite (BC-ROPN). El módulo DDL preextrae las características direccionales de los objetivos para proporcionar una estimación gruesa de sus ángulos y los pesos correspondientes. Esta información se utiliza para generar cajas de anclaje alineadas de forma rotacional que modelan mejor las características direccionales de los objetivos. BC-ROPN representa un método innovador para la regresión de cajas de anclaje. Utiliza las características centrales del ancho y alto del rectángulo de límite máximo, junto con la estimación gruesa del ángulo y los pesos derivados del módulo DDL, para refinar la orientación de la caja de anclaje. Nuestro método ha demostrado superar las redes de detección rotativas existentes en pruebas extensas en dos conjuntos de datos de detección de teledetección ampliamente utilizados, a saber, UCAS-AOD y HRSC2016.