본 연구는 원격탐사 영상에서의 표적 탐지 분야를 발전시키는 데 초점을 두며, 소형 표적 탐지, 복잡한 배경 처리, 밀집 표적 분포와 같은 과제들을 다룬다. 이를 위해 YOLOv7 알고리즘을 개선하는 기반의 해결책을 제안한다. 첫째, YOLOv7의 다중 스케일 특징 향상(MFE) 방법을 개선하여 소형 표적과 복잡한 배경을 탐지하는 데 있어 적응성과 정확도를 향상시킨다. 둘째, 전역 정보를 효과적으로 포착하고 통합하기 위한 수정된 YOLOv7 전역 정보 DP-MLP 모듈을 설계하여, 특히 대규모 변동과 복잡한 장면을 처리하는 데서 표적 탐지 정확도와 견고성을 향상시킨다. 마지막으로, 라벨이 없는 데이터를 포함하는 반지도 학습 모델(SSLM) 기반 표적 탐지 알고리즘을 탐구하고, 라벨이 없는 데이터로부터의 정보를 활용하여 모델의 일반화 능력과 성능을 향상시킨다. 실험 결과, YOLOv7의 우수한 성능에도 불구하고 평균 정밀도(mean average precision, MAP)는 여전히 1.9% 향상될 수 있음을 보여준다. 구체적으로 TGRS-HRRSD-Dataset에서의 테스트에서는 MFE 및 DP-MLP 모델이 각각 MAP 93.4%와 93.1%를 달성한다. NWPU VHR-10 데이터셋 전반에서는 세 모델이 각각 MAP 93.1%, 92.1%, 92.2%를 달성한다. 원래 모델에 비해 다양한 지표에서 유의미한 개선이 관찰된다. 본 연구는 원격탐사 영상 객체 탐지의 적응성, 정확도 및 일반화 성능을 향상시킨다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.