Angesichts des Problems der niedrigen Erkennungsgenauigkeit aufgrund der kleinen Zielgröße von Flugzeugen, der dichten Verteilung und des komplexen Hintergrunds in farbigen Fernerkundungsbildern wurde ein verbesserter Algorithmus zur Erkennung von Flugzeugen in beliebiger Richtung ohne Ankerpunkte vorgeschlagen. BBAVectors wird als Basismodell verwendet, ResNet50 dient als Backbone-Netzwerk zur Merkmalsextraktion. Nach dem Feature-Pyramid-Netzwerk (FPN) wird ein top-down-Pfadverlängerungsnetzwerk PANet-Modul hinzugefügt, um die Informationswege zu verkürzen und die Feature-Pyramide mit genauen Positionsinformationen auf niedriger Ebene zu verstärken. Zudem wird das Aufmerksamkeitsmechanismus-Modul CBAM eingeführt, das durch Rauschunterdrückung und Hervorhebung von Zielmerkmalen die Erkennungsgenauigkeit von Flugzeugen in komplexen Umgebungen verbessert. Auf dem DOTA-Datensatz wurden Ablations- und Vergleichsexperimente durchgeführt, und mit Hilfe von DOTA_devkit wurde der Datensatz um das 0,5- sowie 1-fache zugeschnitten, um die Erkennungsgenauigkeit des Modells zu erhöhen. Das verbesserte Modell erreichte eine Erkennungsgenauigkeit von 90,35 % auf dem Testdatensatz farbiger Fernerkundungsbilder. Im Vergleich zum Originalmodell wurde die Erkennungsgenauigkeit um 0,82 % verbessert. Die experimentellen Ergebnisse zeigen, dass diese Methode bei der Flugzeugerkennungsaufgabe in farbigen Fernerkundungsbildern bessere Erkennungsergebnisse erzielt.

Flugerkennung;beliebige Richtung;ohne Ankerpunkte;Pfaderweiterung;Aufmerksamkeitsmechanismus