Face aux problèmes liés à la variabilité de l’échelle, de la densité et au manque de détails des cibles dans les images aériennes par drone, notamment le nombre important de petites cibles conduisant à des oublis et faux positifs, une nouvelle méthode de détection d’objets basée sur un raisonnement assisté par découpage adaptatif est proposée. Cette méthode commence par envoyer l’image aérienne au réseau de détection d’objets pour un raisonnement initial, puis conçoit un mécanisme de score de fenêtre pour localiser les cibles incertaines dans l’image d’entrée à partir des résultats initiaux, et sélectionne automatiquement les zones efficaces à découper afin de s’adapter aux cibles de différentes échelles et densités. Ensuite, les images découpées sont envoyées au réseau de détection pour un raisonnement secondaire. Enfin, un traitement amélioré de suppression non maximale est appliqué aux résultats des deux raisonnements pour obtenir le résultat final. Les résultats expérimentaux sur les jeux de données typiques VisDrone2019 et AI-TOD démontrent que cette méthode améliore l’indicateur mAP des modèles de détection d’objets légers typiques, notamment YOLOv7-tiny, YOLOv8n, YOLOv8s et YOLOv9-C, augmentant efficacement la performance de détection des cibles dans les images aériennes.

détection de petites cibles;raisonnement assisté par découpage adaptatif;localisation de cibles incertaines;suppression non maximale