A aplicação direta de algoritmos de detecção de objetos baseados em aprendizado profundo em imagens de cenários complexos de Sensoriamento Remoto Óptico Espacial (Space Optical Remote Sensing, SORS) resulta em desempenho insatisfatório na detecção de alvos de navios. Para abordar esse problema, este artigo foca em navios densamente distribuídos em fundos costeiros complexos e navios de pequeno e médio porte com múltiplas interferências no mar aberto, propondo um algoritmo YOLOX-s melhorado (Improved You Only Look Once-s, IM-YOLO-s). Na fase de extração de características, foi introduzido um módulo de atenção posicional CA, que atribui pesos à posição das informações do alvo nas direções de altura e largura, aumentando a precisão de detecção do modelo; na fase de fusão de características, o algoritmo de fusão de características ponderadas BiFPN foi aplicado à estrutura de pescoço do IM-YOLO-s, melhorando ainda mais a precisão da detecção de pequenos alvos; na fase de otimização e treinamento do modelo, a perda CIoU substituiu a perda IoU, a perda de zoom substituiu a perda de confiança, e os pesos da perda de classe foram ajustados para aumentar o peso de treinamento das áreas com alta densidade de amostras positivas, reduzindo a taxa de omissão de navios densamente distribuídos. Além disso, com base no conjunto de dados HRSC2016, foram adicionadas imagens adicionais de navios pequenos e médios próximos à costa, criando o conjunto de dados HRSC2016-Gg, que aprimora a robustez na detecção de navios marinhos e alvos com pequenos pixels. A avaliação do desempenho do algoritmo no conjunto HRSC2016-Gg mostrou que o IM-YOLO-s obteve uma taxa de recall de 97,18% na detecção de navios em cenas SORS, AP@0,5 de 96,77% e valor F1 de 0,95, melhorias de 2,23%, 2,40% e 0,01, respectivamente, em comparação com o algoritmo original YOLOX-s. Isso demonstra plenamente que o algoritmo pode realizar detecção de navios de alta qualidade em imagens de cenários complexos SORS.

detecção de navios;aprendizado profundo;módulo de atenção CA;fusão ponderada de características;otimização da função de perda