Storage tank detection in remote sensing images based on circular bounding boxes and large selective kernel
Notice bibliographique
Résumé
Accurate storage tank detection in remote sensing images is vital for monitoring methane emissions, a potent greenhouse gas, from the oil and gas industry. Existing methods, such as traditional geometric and spectral feature-based approaches, suffer from high false detection rates due to background variations and imaging conditions, while deep learning models like YOLO series and EfficientDet struggle with small objects, multi-scale features, background interference, and regression sensitivity, leading to missed detections and false positives. This study introduces a novel method integrating circular bounding boxes and a Large Selective Kernel (LSK) to address these gaps. Circular bounding boxes, aligned with storage tanks' typical circular shape, stabilize Intersection over Union (IoU) for small objects, while LSK dynamically adjusts the receptive field to leverage contextual information effectively. Implemented on a YOLO-v10 framework and evaluated on a comprehensive dataset comprising DIOR, NWPUU_RESISC45, NWPU VHR-10, TGRS-HRRSD, and a self-built dataset (totaling 3568 images and 46075 storage tanks), our approach achieved a precision of 0.911, recall of 0.902, and mean Average Precision (mAP@0.5) of 0.931. These results represent improvements of 2.0% in precision, 2.7% in recall, and 1.8% in mAP@0.5 over the state-of-the-art YOLO-v10 baseline, offering a robust tool for pinpointing methane emission sources and supporting environmental sustainability efforts in the oil and gas sector.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».