Para resolver o problema de baixa precisão de segmentação causado pela semelhança entre alvos dinâmicos e características de fundo, bem como pela percepção insuficiente das bordas fracas, foi construída uma cadeia de modelagem de características incluindo seleção explícita de priori de borda, agregação dinâmica complementar espacial-canal e compensação de alta frequência de subamostragem em domínio duplo. Propõe-se um método de segmentação de instâncias de alvos dinâmicos em imagens aéreas de drones com seleção guiada por bordas e agregação de características. Primeiramente, foi projetado um módulo de percepção de seleção guiada por bordas em múltiplas escalas, utilizando a resposta residual entre características multiescala e a média local como priori de borda para gerar um mapa de resposta de bordas, e então um mecanismo de seleção em duplo domínio reforça a capacidade do modelo de perceber informações de bordas fracas dos alvos dinâmicos. Em seguida, é construído um módulo de agregação adaptativa de características que utiliza um mecanismo de embaralhamento de canais para realizar interação a nível de canal e ativar informações semânticas transgrupo, agregando informações semânticas espaciais e características detalhadas complementares de canal extraídas adaptativamente por convolução dinâmica e convolução dinâmica profunda, a fim de melhorar a responsividade das características e resolver o problema da similaridade de características entre classes de alvos. Por fim, para superar as limitações da convolução comum na extração de informações espaciais multiescala, foi projetado um módulo adaptativo de subamostragem em duplo domínio que integra informações de características hierárquicas extraídas por dois caminhos para realizar agregação adaptativa e fortalecimento de características multiescala. Os resultados experimentais mostram que o modelo proposto de segmentação de instâncias de alvos dinâmicos em imagens aéreas de drones com seleção guiada por bordas e agregação de características alcançou precisões mAP50-95 e mAP50 de 51,8% e 84,3%, respectivamente, com melhorias de 5,1% e 4,6% em relação ao modelo base. Ao implantar o modelo na plataforma móvel Jetson Nano B01, é possível realizar a segmentação dos alvos dinâmicos.

Segmentação de instâncias; alvos dinâmicos; seleção guiada por bordas; agregação adaptativa de características; implantação do modelo