Remote sensing image detection method based on context-aware mechanism and transformer architecture
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Remote sensing image object detection faces numerous challenges, such as complex backgrounds, multi-scale target recognition, and high-resolution image processing. This paper proposes an RT-DETR model based on an improved transformer architecture, aiming to enhance detection accuracy and robustness. First, a MogaC2f module is introduced, which effectively improves the representational capability and computational efficiency of feature extraction. Second, a ContextGuidedBlock module is designed, which integrates context-aware mechanisms with downsampling operations to enhance the model’s sensitivity to object boundaries and local details, thereby improving small object detection performance. Finally, the proposed AIFIMSMHSA module leverages adaptive feature interaction and a multi-scale multi-head self-attention mechanism to strengthen spatial perception in high-level features, achieving precise localization across different target scales. Experimental results demonstrate that the proposed model outperforms the existing mainstream methods across several remote sensing object detection datasets, with especially notable improvements in small object detection and complex scene understanding. In addition, the model exhibits superior computational efficiency and fewer parameters than the current state-of-the-art models. Experiments conducted on representative datasets such as NWPU-VHR10, remote object sensing dataset, and small infrared moving detection further validate the model’s strong cross-scene generalization and robustness. Visualization analyses also indicate better boundary fitting and confidence distribution in real-world complex remote sensing scenes, underscoring its application potential in high-resolution remote sensing image object detection tasks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle