摘要:旋转目标检测算法在遥感领域中有着广泛的应用。遥感图像中目标尺度变化大、目标密集分布、相似地物易混淆、背景复杂干扰多以及图像细节不足,现有的旋转目标检测算法通常存在较高的计算负担,并且在精度上仍有提升的空间。针对上述问题,本文改进当前领先的YOLOv9检测器,开发了一种高效而准确的遥感图像旋转目标检测器RSO-YOLO(YOLO for Remote Sensing Images and Oriented Bounding Box)。首先,提出了一种低照度遥感图像辅助数据增强模块,用于改善弱光、噪点、模糊和对比度不足等问题;其次,设计了一个解耦的角度预测头,使算法拥有对遥感目标方向的感知能力;然后,在模型中引入基于卡尔曼滤波的交并比(KFIoU)损失,以解决旋转目标表示引起的角度周期性问题,使用分布焦点损失(DFL)学习旋转边界框的分布,减少高斯建模方法中近正方形目标的角度不准确问题;提出一种面向旋转目标检测的动态标签分配策略,在分配过程中综合考虑了交并比(IOU)与类别得分(Scores),从而构建更好的能够反映目标特性的样本空间;最后使用基于海林格距离的概率交并比(ProbIoU)进行非极大值抑制,减少非极大值抑制的计算负担。在DIOR-R公开数据集上开展实验,与多个典型的旋转目标检测方法进行了比较,本文方法综合检测精度为81.1%mAP,位居第一,且能够保证检测的实时性。使用辅助数据增强模块后可提高1.5%mAP。实验表明RSO-YOLO能够同时兼顾旋转目标检测的速度和准确性,使得模型在实际应用上相较于其他方法有一定的优势。