객체 검출은 원격 탐사 영상 해석에서 가장 중요한 작업 중 하나입니다. 현재, 딥러닝 기반 원격 탐사 객체 검출 모델은 대부분 사전에 정의된 앵커 박스에 의존하며, 장면 내 컨텍스트 정보를 종종 무시하여 검출 성능과 일반화 능력에 한계가 있습니다. 이에 본 논문에서는 원격 탐사 영상 객체 검출을 위한 장면 연관 앵커 프리 YOLO 네트워크(Scene Related Anchor-Free YOLO, SRAF-YOLO)를 제안합니다. SRAF-YOLO는 먼저 장면 특성과 객체 특성을 융합하여 장면 컨텍스트 정보를 풍부하게 포함하는 장면 강화 멀티스케일 특징 추출 모듈을 도입하고, 멀티스케일 연산을 통해 장면 의미를 포함하는 멀티스케일 특징을 추출하여 효과적으로 장면 컨텍스트 정보를 도입합니다. 이를 바탕으로 장면 정보를 활용해 객체 클래스 예측을 제약하는 장면 보조 앵커 프리 검출 헤드를 설계하여 검출 정확도를 향상시키고, 앵커 프리 구조는 앵커 관련 파라미터 계산량을 효과적으로 감소시킵니다. RSOD 및 NWPU VHR-10 데이터셋에서의 실험 결과, SRAF-YOLO는 장면 정보와 앵커 프리 메커니즘을 융합하여 객체 검출 정확도를 향상시켰으며, 평균 정확도(mAP)는 각각 94.58%, 95.95%에 도달하여, 베이스라인 모델 YOLOv8 대비 각각 1.51%, 3.0% 향상되었고 다른 비교 방법보다 우수한 성능을 보였습니다. 외부 데이터셋 검증 결과는 해당 알고리즘의 우수한 일반화 능력을 추가로 입증합니다.

원격 탐사 영상; 객체 검출; 앵커 프리 검출; 장면 컨텍스트; 멀티스케일 특징 융합