清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

LSKF-YOLO: Large selective kernel feature fusion network for power tower detection in high-resolution satellite remote sensing images

遥感 计算机科学 核(代数) 卫星 高分辨率 目标检测 特征(语言学) 人工智能 传感器融合 计算机视觉 特征提取 模式识别(心理学) 地质学 工程类 语言学 哲学 数学 组合数学 航空航天工程
作者
Chaojun Shi,Xian Zheng,Zhenbing Zhao,Ke Zhang,Zibo Su,Qiaochu Lu
出处
期刊:IEEE Transactions on Geoscience and Remote Sensing [Institute of Electrical and Electronics Engineers]
卷期号:62: 1-16
标识
DOI:10.1109/tgrs.2024.3389056
摘要

With the rapid development of high-resolution satellite remote sensing observation technology, power tower detection based on satellite remote sensing images has become a key research focus for power intelligent inspection. However, the performance of power tower detection in satellite remote sensing images needs improvement due to complex back-grounds, small and non-uniform target sizes. To address this, this paper first constructs a multi-scene high-resolution satellite remote sensing power tower dataset, and then proposes the LSKF-YOLO network for high-resolution satellite remote sensing images. This network primarily consists of a large spatial kernel selective attention fusion module and a multi-scale feature alignment fusion structure. The large spatial selective kernel mechanism is improved by using the attentional feature fusion module, provides richer feature information for accurately locating the position of the power tower. The multi-scale feature alignment fusion structure effectively utilizes low-level semantic information, mitigates feature ambiguity in deeper network layers, and enables multi-scale feature fusion of power towers within complex backgrounds. Additionally, the introduction of MPDIoU enhances CIoU, further improving the model's performance. The results demonstrate that the F1 score and mAP0.5 of the LSKF-YOLO network reach 0.764 and 77.47%, respectively. Compared with other deep learning-based satellite remote sensing power tower inspection methods, the LSKF-YOLO network significantly enhances detection accuracy and provides crucial technical support for intelligent inspection of power lines via satellite remote sensing.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
欢呼的茗茗完成签到 ,获得积分10
7秒前
丹妮完成签到 ,获得积分10
8秒前
14秒前
longlonglong完成签到,获得积分10
18秒前
20秒前
荔枝波波加油完成签到 ,获得积分10
25秒前
Danny完成签到 ,获得积分10
36秒前
Young完成签到 ,获得积分10
38秒前
郑先生完成签到 ,获得积分10
55秒前
郑志凡完成签到 ,获得积分10
56秒前
wanci应助科研通管家采纳,获得10
1分钟前
啥也不是完成签到,获得积分10
1分钟前
双眼皮跳蚤完成签到,获得积分10
1分钟前
kehe!完成签到 ,获得积分0
1分钟前
霸霸斌完成签到 ,获得积分10
1分钟前
gmc完成签到 ,获得积分10
2分钟前
谷子完成签到 ,获得积分10
2分钟前
数乱了梨花完成签到 ,获得积分10
2分钟前
寒战完成签到 ,获得积分10
2分钟前
沐浠完成签到 ,获得积分10
2分钟前
salty完成签到 ,获得积分10
2分钟前
桐桐应助123采纳,获得10
2分钟前
Shandongdaxiu完成签到 ,获得积分10
3分钟前
HCKACECE完成签到 ,获得积分10
3分钟前
Vicky完成签到 ,获得积分10
3分钟前
3分钟前
丰富的绮山完成签到,获得积分10
3分钟前
烟花应助科研通管家采纳,获得30
3分钟前
Akim应助科研通管家采纳,获得30
3分钟前
123发布了新的文献求助10
3分钟前
段采萱完成签到 ,获得积分10
3分钟前
Ava应助123采纳,获得30
3分钟前
leng完成签到 ,获得积分10
3分钟前
dragonhmw完成签到 ,获得积分10
3分钟前
烟花应助依居采纳,获得10
3分钟前
玉一一完成签到 ,获得积分10
3分钟前
哈拉斯完成签到,获得积分10
3分钟前
3分钟前
依居发布了新的文献求助10
3分钟前
蓝胖胖蓝完成签到,获得积分10
4分钟前
高分求助中
좌파는 어떻게 좌파가 됐나:한국 급진노동운동의 형성과 궤적 2500
Sustainability in Tides Chemistry 1500
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Cognitive linguistics critical concepts in linguistics 800
Threaded Harmony: A Sustainable Approach to Fashion 799
Livre et militantisme : La Cité éditeur 1958-1967 500
氟盐冷却高温堆非能动余热排出性能及安全分析研究 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3052644
求助须知:如何正确求助?哪些是违规求助? 2709863
关于积分的说明 7418252
捐赠科研通 2354395
什么是DOI,文献DOI怎么找? 1246007
科研通“疑难数据库(出版商)”最低求助积分说明 605951
版权声明 595921