Este artículo propone un algoritmo avanzado de percepción geométrica para la detección de objetos en imágenes remotas, que aborda los desafíos de la detección de objetivos a varias escalas, solapamiento denso y distribución desigual de datos. La optimización del módulo de avance de fusión súper residual mejora la estructura de la red, sus operaciones de convolución a múltiples niveles utilizan diferentes escalas de campo receptivo, capturando detalles de objetivos de diferentes escalas, reforzando la capacidad del modelo para percibir características de objetivos, realizando la extracción de características de objetivos a escala pequeña y localizando objetivos a gran escala. Al calcular la similitud geométrica de la detección y los resultados reales, evaluando con precisión la efectividad de la detección, en escenarios de superposición densa de objetivos, examinando cuidadosamente la idoneidad, seleccionando el resultado final, reduciendo las omisiones y falsas alarmas, mejorando la precisión del algoritmo; diseño de un módulo de fusión de características multipaso, fusionando información de características en diferentes niveles, extrayendo características de objetivos más ricas, fortaleciendo la representación y la capacidad de discriminación de la red, aumentando la precisión y la estabilidad de la detección. Los resultados del experimento en el conjunto de datos NWPU-VHR-10 muestran que mPrecision, mRecall, mAP y mF1 Score aumentaron en 0.041 9, 0.104 0, 0.045 5 y 0.085 0 respectivamente; los resultados del experimento en el conjunto de datos RSOD muestran que mPrecision, mRecall, mAP y mF1 Score aumentaron en 0.022 1, 0.103 4, 0.061 9 y 0.087 5 respectivamente. Se demuestra plenamente la eficacia y superioridad del algoritmo de percepción geométrica avanzada propuesto en el campo de la detección de objetivos en imágenes remotas.

Imágenes remotas; detección de objetivos; módulo de avance de fusión súper residual; similitud geométrica; módulo de fusión de características multipaso