یک معماری سبک‌وزن چندمقیاسی و مبتنی بر توجه بر پایه YOLO11 برای آشکارسازی کشتی در تصاویر رادار دهانه مصنوعی

یک معماری سبک‌وزن چندمقیاسی و مبتنی بر توجه بر پایه YOLO11 برای آشکارسازی کشتی در تصاویر رادار دهانه مصنوعی

شقایق هوشیار1 صادق صمدی2 شهرزاد هوشیار3 متین کمانی4 محسن اسلامی5

1) دانشجوی کارشناسی ارشد مهندسی برق، دانشکده مهندسی برق، دانشگاه صنعتی شیراز، شیراز، ایران -
2) دانشیار، دانشکده مهندسی برق، دانشگاه صنعتی شیراز، شیراز، ایران -
3) دانشجوی کارشناسی ارشد مهندسی برق، دانشکده مهندسی برق، دانشگاه صنعتی شیراز، شیراز، ایران -
4) دانشجوی دکتری مهندسی برق، دانشکده مهندسی برق، دانشگاه صنعتی شیراز، شیراز، ایران -
5) دانشیار، دانشکده مهندسی برق، دانشگاه صنعتی شیراز، شیراز، ایران -

کد IOI مقاله : AAHD-ABHEBB
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    آشکارسازی کشتی در تصاویر رادار دهانه مصنوعی (SAR) به دلیل وجود نویز لکه ای (Speckle)، تنوع مقیاس اهداف، فراوانی کشتی‌های کوچک و صحنه‌های دریایی پیچیده و محدودیت‌های معماری‌های متداول در استخراج و ادغام ویژگی‌های چندمقیاسی، همچنان یکی از چالش‌های مهم در سامانه‌های نظارت دریایی محسوب می‌شود. در این مقاله، به‌منظور بهبود عملکرد مدل YOLO11s در آشکارسازی کشتی در تصاویر SAR، اصلاحاتی در معماری شبکه با هدف تقویت استخراج و ادغام ویژگی‌ها، افزایش توانایی تشخیص اهداف کوچک و چندمقیاسی و کاهش پیچیدگی محاسباتی اعمال شده است. این اصلاحات ضمن حفظ کارایی مدل، دقت آشکارسازی و کیفیت مکان‌یابی اهداف را بهبود می‌بخشند و تعادل مناسبی میان دقت و کارایی محاسباتی برقرار می‌کنند. ارزیابی مدل پیشنهادی بر روی مجموعه‌داده HRSID نشان می‌دهد که مقدار mAP از 89.71% در مدل پایه به 90.74% افزایش یافته است. همچنین، تعداد پارامترهای مدل به میزان 19.1% نسبت به مدل پایه کاهش یافته است. معماری پیشنهادی، ضمن حفظ کارایی محاسباتی، توانایی بالاتری در آشکارسازی کشتی‌های کوچک و چندمقیاسی و کشتی¬های موجود در صحنه‌های دریایی پیچیده داشته و می‌تواند گزینه‌ای مناسب برای کاربردهای پایش و نظارت دریایی بلادرنگ (Real-time) باشد.

کلمات کلیدی : آشکارسازی کشتی تصاویر sar یادگیری عمیق آشکارسازی اهداف کوچک ادغام ویژگی‌های چندمقیاسی yolo11s