Dieser Artikel schlägt einen fortgeschrittenen geometrischen Wahrnehmungsalgorithmus für die Erkennung von Objekten in Fernerkundungsbildern vor, der die Herausforderungen der Multi-Skalen-, dichten Überlappungs- und ungleichen Datenverteilung in der Objekterkennung angeht. Die Optimierung des Hyper-Fusions-Restmoduls verbessert die Netzwerkstruktur, seine mehrschichtigen Faltungsvorgänge nutzen verschiedene Empfindungsfelder, um Details von Objekten unterschiedlicher Größenordnung zu erfassen, die Fähigkeit des Modells zur Wahrnehmung von Objektmerkmalen zu stärken, die Merkmalsextraktion von kleinen Objekten zu ermöglichen und die genaue Lokalisierung großer Objekte zu erreichen. Durch die Berechnung der geometrischen Ähnlichkeit der Erkennung und der realen Ergebnisse, die genaue Bewertung der Erkennungswirkung, in Szenen mit dichter Überlappung von Objekten, die genaue Prüfung der Passform, die Auswahl des endgültigen Ergebnisses, die Reduzierung von Fehlfunden und Fehlalarmen, die Verbesserung der Algorithmusgenauigkeit; Entwicklung eines Mehrpfad-Merkmal-Fusionsmoduls, Fusion von Merkmalinformationen auf verschiedenen Ebenen, Extraktion reicherer Merkmale von Objekten, Stärkung der Netzdarstellung und Diskriminierungsfähigkeit, Erhöhung der Erkennungsgenauigkeit und -stabilität. Die Experimente mit dem Datensatz NWPU-VHR-10 zeigen, dass mPrecision, mRecall, mAP und mF1 Score jeweils um 0.041 9, 0.104 0, 0.045 5 und 0.085 0 gestiegen sind; die Experimente mit dem Datensatz RSOD zeigen, dass mPrecision, mRecall, mAP und mF1 Score jeweils um 0.022 1, 0.103 4, 0.061 9 und 0.087 5 gestiegen sind. Die Wirksamkeit und Überlegenheit des vorgeschlagenen fortgeschrittenen geometrischen Wahrnehmungsalgorithmus im Bereich der Objekterkennung in Fernerkundungsbildern wird vollständig nachgewiesen.

Fernerkundungsbilder; Objekterkennung; Hyper-Fusions-Restmodul; geometrische Ähnlichkeit; Mehrpfad-Merkmal-Fusionsmodul