Pour résoudre le problème d’une précision insuffisante dans la détection des avions sur les images optiques de télédétection en raison d’un arrière-plan complexe, de la petite taille des avions cibles et des faibles différences d’apparence entre les avions, cet article propose, basé sur le modèle YOLOv8n, un algorithme de détection d’avions intégrant des informations globales et un mécanisme d’attention à double domaine. Tout d’abord, le module SPPF_Global est conçu pour fournir une vue d’ensemble des caractéristiques globales via une couche de pooling global maximal, aidant le modèle à mieux distinguer la cible de l’arrière-plan dans des environnements complexes ; ensuite, un mécanisme d’attention à double domaine est proposé, guidant les informations des domaines spatial et canal pour augmenter l’attention du modèle sur les régions importantes comme la forme des ailes, renforçant ainsi la capacité à différencier les subtilités entre différents types d’avions ; enfin, un module d’échantillonnage amélioré avec un chemin parallèle est utilisé et la fonction de perte Powerful-IoU est introduite pour accélérer la convergence du modèle grâce à un facteur de pénalité adaptatif, améliorant la reconnaissance des petits avions et l’efficacité de la régression des boîtes de prédiction. Les résultats expérimentaux montrent qu’en comparaison avec le YOLOv8n original, le modèle amélioré augmente la précision, le rappel, le mAP50 et le mAP50-95 sur le jeu de données public MAR20 de 3,3 %, 2,6 %, 3,2 % et 2,6 % respectivement, et sur le jeu de données NWPU VHR-10 de 5 %, 5,1 %, 2,5 % et 0,3 % respectivement ; en même temps, le nombre de paramètres et la charge de calcul ont été réduits de 6,6 % et 3,7 % respectivement. Cela prouve l’efficacité et la supériorité du modèle proposé, améliorant efficacement la valeur d’application des algorithmes de détection d’avions dans les images optiques de télédétection.

Images optiques de télédétection; Détection d’avions; YOLOv8; Mécanisme d’attention; Powerful-IoU