Para abordar el problema de la baja precisión en la detección de objetivos de aviones en imágenes ópticas de teledetección debido a fondos complejos, tamaño pequeño del objetivo y pequeñas diferencias en la apariencia del avión, este artículo propone, basado en el modelo YOLOv8n, un algoritmo de detección de aviones que fusiona información global y un mecanismo de atención de doble dominio. En primer lugar, se diseñó el módulo SPPF_Global que proporciona una visión global de las características mediante una capa de agrupación máxima global, ayudando al modelo a distinguir mejor entre objetivo y fondo en entornos complejos; en segundo lugar, se propuso un mecanismo de atención de doble dominio que guía la información de los dominios espacial y de canales, aumentando la atención del modelo en regiones importantes como la forma de las alas, mejorando la capacidad para distinguir pequeñas diferencias entre diferentes modelos de aviones; finalmente, se mejoró el módulo de submuestreo con rutas paralelas y se introdujo la función de pérdida Powerful-IoU, acelerando la convergencia del modelo mediante un factor de penalización adaptativo, mejorando la capacidad de reconocimiento de aviones pequeños y la eficiencia de la regresión de los cuadros de predicción. Los resultados experimentales muestran que, en comparación con el YOLOv8n original, el modelo mejorado aumentó la precisión, la tasa de recuperación, el mAP50 y el mAP50-95 en el conjunto de datos público MAR20 en un 3.3%, 2.6%, 3.2% y 2.6%, respectivamente, y en el conjunto de datos NWPU VHR-10 en un 5%, 5.1%, 2.5% y 0.3%, respectivamente; al mismo tiempo, la cantidad de parámetros y el volumen computacional se redujeron en un 6.6% y un 3.7%, respectivamente. Esto demuestra la eficiencia y superioridad del modelo propuesto, mejorando efectivamente el valor de aplicación de los algoritmos de detección de aviones en imágenes ópticas de teledetección.

Imágenes ópticas de teledetección; Detección de aviones; YOLOv8; Mecanismo de atención; Powerful-IoU