Um das Problem der unzureichenden Erkennungsgenauigkeit von Flugzeugzielen in optischen Fernerkundungsbildern aufgrund komplexer Hintergründe, kleiner Zielobjekte und geringer äußerer Unterschiede zwischen Flugzeugen zu lösen, wird in diesem Artikel auf Basis des YOLOv8n-Modells ein Flugzeugs-Erkennungsalgorithmus vorgeschlagen, der globale Informationen und einen zweifachen Aufmerksamkeitsmechanismus integriert. Zunächst wurde das SPPF_Global-Modul entwickelt, das durch eine globale Max-Pooling-Schicht eine Übersicht über globale Merkmale bietet und dem Modell hilft, Ziel und Hintergrund in komplexen Umgebungen besser zu unterscheiden; zweitens wurde ein zweifacher Aufmerksamkeitsmechanismus vorgestellt, der Informationen aus dem Raum- und Kanalbereich lenkt, die Aufmerksamkeit des Modells auf wichtige Bereiche wie die Flügelform erhöht und die Fähigkeit zur Unterscheidung subtiler Unterschiede zwischen verschiedenen Flugzeugtypen stärkt; schließlich wird ein paralleler Pfad zur Verbesserung des Downsampling-Moduls verwendet und die Powerful-IoU-Verlustfunktion eingeführt, die durch adaptive Strafparameter die Modellkonvergenz beschleunigt und die Erkennungsfähigkeit kleiner Flugzeuge sowie die Effizienz der Vorhersagerahmenregression verbessert. Die experimentellen Ergebnisse zeigen, dass das verbesserte Modell im Vergleich zum ursprünglichen YOLOv8n die Präzision, Rückrufrate, mAP50 und mAP50-95 auf dem öffentlichen Datensatz MAR20 um 3,3 %, 2,6 %, 3,2 % bzw. 2,6 % sowie auf dem NWPU VHR-10-Datensatz um 5 %, 5,1 %, 2,5 % bzw. 0,3 % verbessert hat; gleichzeitig wurden die Anzahl der Parameter und der Rechenaufwand um 6,6 % bzw. 3,7 % reduziert. Dies beweist die Effizienz und Überlegenheit des vorgeschlagenen Modells und erhöht effektiv den Anwendungswert von Flugzegerkennungsalgorithmen in optischen Fernerkundungsbildern.

Optische Fernerkundungsbilder; Flugzeugsdetektion; YOLOv8; Aufmerksamkeitsmechanismus; Powerful-IoU