Para resolver o problema da precisão insuficiente na detecção de alvos de aeronaves em imagens ópticas de sensoriamento remoto devido a cenários complexos, pequenos alvos de aeronaves e pequenas diferenças na aparência das aeronaves, este artigo, baseado no modelo YOLOv8n, propõe um algoritmo de detecção de alvos de aeronaves que integra informações globais e um mecanismo de atenção de domínio duplo. Primeiro, foi projetado o módulo SPPF_Global, que fornece uma visão geral das características globais por meio de uma camada de pooling máximo global, ajudando o modelo a distinguir melhor o alvo do fundo em ambientes complexos; em seguida, foi proposto um mecanismo de atenção de domínio duplo, que orienta informações dos domínios espacial e de canal, aumentando a atenção do modelo em áreas importantes, como a forma das asas, reforçando a capacidade de distinguir pequenas diferenças entre diferentes modelos de aeronaves; finalmente, foi adotado um caminho paralelo para melhorar o módulo de downsampling e introduzida a função de perda Powerful-IoU, acelerando a convergência do modelo por meio de um fator de penalização adaptativo, melhorando a capacidade de reconhecimento de pequenas aeronaves e a eficiência da regressão das caixas de previsão. Os resultados experimentais mostraram que, em comparação com o YOLOv8n original, o modelo aprimorado aumentou a precisão, a taxa de recall, o mAP50 e o mAP50-95 no conjunto de dados público MAR20 em 3,3%, 2,6%, 3,2% e 2,6%, respectivamente, e no conjunto de dados NWPU VHR-10 em 5%, 5,1%, 2,5% e 0,3%, respectivamente; ao mesmo tempo, o número de parâmetros e a carga computacional foram reduzidos em 6,6% e 3,7%, respectivamente. Isso comprova a eficiência e superioridade do modelo proposto, melhorando efetivamente o valor de aplicação dos algoritmos de detecção de alvos de aeronaves em imagens ópticas de sensoriamento remoto.

Imagens ópticas de sensoriamento remoto; Detecção de alvos de aeronaves; YOLOv8; Mecanismo de atenção; Powerful-IoU