SRGO-YOLO：一种超分辨率和粒度优化的检测方法，用于在无人机图像中识别极小的海滩垃圾物体

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：SRGO-YOLO: Super-Resolution and Granularity-Optimized Detection of Extremely Small Beach-Litter Objects in UAV Imagery

　　

摘要：

海滩垃圾对沿海地区构成了持续的生态和社会经济风险，然而在无人机（UAV）图像中可靠地检测极小物体（ESOs）仍然具有挑战性：这些目标在典型的RGB帧中仅占据非常小的图像区域，大约为10^-5的面积，并且很容易与有纹理的沙背景混淆。我们提出了SRGO-YOLO，这是一种针对基于UAV的海滩垃圾监测的超级分辨率和粒度优化的检测器。该网络集成了尺度自适应空间重校准与通道注意力模块、轻量级的C3K2-MGLite网络结构以及具有额外P2微小物体分支的空间优化头部，以增强浅层高分辨率特征、执行混合粒度多尺度融合，并改进对低对比度ESOs的预测。为了评估SRGO-YOLO，我们通过筛选两个公共的UAV垃圾数据集，并将其与新收集的珠海海岸海滩垃圾数据集结合，构建了Beach-Litter-UAV数据集，其中超过80%的标注实例的尺寸标准化值低于0.02。实验表明，SRGO-YOLO在RTX 3090 GPU上实现了81.4%的mAP50和48.2%的mAP50:95，分别比YOLOv11高出21.8%和13.5个百分点，同时保持了127 FPS的帧率。在Jetson AGX Orin 64GB平台上使用TensorRT FP16进行部署时，SRGO-YOLO在10分钟的连续推理测试中保持了31.21 FPS的帧率，平均端到端延迟为32.04毫秒。针对每个类别的结果进一步显示，在所有五个类别中都取得了持续的改进：与YOLOv11相比，SRGO-YOLO在塑料、柔性袋子、金属、玻璃和食品容器类别上的mAP50分别提高了28.8%、31.2%、5.4%、29.5%和14.5%，尤其是在视觉上难以区分的小物品（如柔性袋子和食品容器）方面具有显著的优势。定性比较还表明，SRGO-YOLO在部分遮挡、紧密相邻和垃圾块重叠的情况下能够恢复更完整的实例。这些结果表明，SRG...

显示更多