Dual-Strategy Improvement of YOLOv11n for Multi-Scale Object Detection in Remote Sensing Images

Titolo: Miglioramento a Doppia Strategia di YOLOv11n per il Rilevamento di Oggetti Multi-Scala nelle Immagini di Telerilevamento

1. Il Problema

Il rilevamento di oggetti nelle immagini di telerilevamento (satellitari e aeree) presenta sfide uniche rispetto alla visione artificiale tradizionale. Nonostante i progressi nelle architetture di deep learning, i modelli esistenti, incluso YOLOv11n, incontrano difficoltà significative in questi scenari a causa di:

• Oggetti di Piccola Dimensione: Gli oggetti nelle immagini ad alta risoluzione occupano spesso meno di 32x32 pixel, rendendo l'estrazione delle caratteristiche estremamente difficile.
• Variazioni di Scala Estreme: Esiste un ampio divario di scala tra oggetti diversi (es. veicoli di pochi pixel vs edifici di centinaia di pixel), che rende difficile per le tradizionali piramidi di caratteristiche preservare simultaneamente dettagli spaziali fini e informazioni semantiche di alto livello.
• Sfondi Complessi e Clutter: Le scene contengono strutture intricate (edifici urbani, terreni agricoli, porti) che riducono il contrasto tra oggetto e sfondo, portando a confusione nelle caratteristiche e a falsi positivi.
• Limitazioni di YOLOv11n: Sebbene YOLOv11n sia leggero e veloce, soffre di una modellazione insufficiente del contesto globale e di interazioni di caratteristiche cross-scale subottimali quando applicato a immagini di telerilevamento.

2. Metodologia

Gli autori propongono due strategie di miglioramento distinte basate sull'architettura YOLOv11n, mirate a mantenere i vantaggi di leggerezza e velocità mentre si potenziano le capacità di rilevamento.

Componenti Chiave Introdotti:

1. LSKA (Large Separable Kernel Attention): Un meccanismo di attenzione inserito nel backbone. Decompone i grandi kernel convoluzionali 2D in convoluzioni 1D separabili (orizzontali e verticali) per catturare grandi campi ricettivi con basso costo computazionale, migliorando la percezione del contesto globale.
2. Struttura Gold-YOLO (Neck): Un meccanismo di "raccolta e distribuzione" (Gather-and-Distribute, GD) che aggrega caratteristiche da diverse profondità della rete e le ridistribuisce. Include rami Low-GD (per dettagli spaziali fini) e High-GD (per caratteristiche semantiche), migliorando la fusione multi-scala.
3. MultiSEAMHead (Testa di Rilevamento): Una nuova testa di rilevamento che combina convoluzioni separabili per profondità, connessioni cross-layer e meccanismi di mixing di canali e spazio. Questo permette una modellazione congiunta delle dipendenze spaziali e dei canali, rafforzando la rappresentazione per oggetti piccoli e occlusi.

I Due Modelli Proposti:

• Modello 1: YOLOv11n-LSKA-GoldYOLO
  • Introduce LSKA nel backbone per migliorare l'estrazione delle caratteristiche globali.
  • Integra la struttura Gold-YOLO nel neck per una fusione multi-scala efficiente.
  • Obiettivo: Ottimizzare il rilevamento di oggetti piccoli e sparsi in contesti complessi mantenendo un basso overhead computazionale.
• Modello 2: YOLOv11n-GoldYOLO-MultiSEAMHead
  • Integra la struttura Gold-YOLO nel neck.
  • Sostituisce la testa originale con MultiSEAMHead per potenziare la rappresentazione delle caratteristiche e la modulazione dell'attenzione.
  • Obiettivo: Massimizzare la robustezza in scene dense, con occlusioni e grandi variazioni di scala, migliorando l'interazione delle caratteristiche durante la fase di rilevamento.

3. Contributi Chiave

• Proposta di Architetture Ibride: Sviluppo di due varianti di YOLOv11n che combinano meccanismi di attenzione avanzati (LSKA) e strategie di fusione di caratteristiche (Gold-YOLO e MultiSEAMHead) specificamente adattate per il telerilevamento.
• Bilanciamento Efficienza-Prestazioni: Dimostrazione che è possibile migliorare significativamente l'accuratezza senza sacrificare la natura "lightweight" e la capacità di inferenza in tempo reale del modello base.
• Analisi Comparativa: Fornitura di due soluzioni distinte per scenari applicativi diversi: il primo modello per scenari con risorse computazionali limitate e necessità di contesto globale, il secondo per scenari urbani densi che richiedono massima robustezza.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti sul dataset DOTA-v1 (Dataset for Object deTection in Aerial Images), un benchmark rappresentativo per immagini aeree ad alta risoluzione con 15 categorie di oggetti.

• Configurazione: Addestramento su GPU NVIDIA RTX 4090, 300 epoche, ottimizzatore SGD.
• Metriche: Precisione, Recall, mAP@0.5 (mAP50) e mAP@0.5:0.95 (mAP50-95).
• Risultati Principali:
  • YOLOv11n-LSKA-GoldYOLO: Ha ottenuto un miglioramento di 1.3% in mAP50 rispetto al baseline YOLOv11n (43.3% vs 42.0%).
  • YOLOv11n-GoldYOLO-MultiSEAMHead: Ha ottenuto il miglior risultato con un miglioramento di 1.8% in mAP50 (43.8% vs 42.0%) e un aumento di 0.6% in mAP50-95.
  • Entrambi i modelli hanno mostrato una maggiore stabilità e capacità di rilevamento in scenari complessi rispetto a YOLOv8n, YOLOv9t e YOLOv10n.
• Visualizzazione: Le immagini di confronto mostrano una riduzione significativa dei falsi negativi per oggetti piccoli e una migliore gestione delle occlusioni rispetto al modello base.

5. Significato e Impatto

Questo lavoro è significativo per il campo del telerilevamento perché:

1. Affronta il problema della scala: Offre soluzioni concrete per la variazione estrema di scala tipica delle immagini satellitari, un problema spesso trascurato dai modelli generici.
2. Versatilità Applicativa: Fornisce agli operatori due opzioni flessibili: un modello ottimizzato per la velocità e il contesto globale (ideale per monitoraggio su larga scala) e un modello ottimizzato per la precisione in scenari densi (ideale per analisi urbana o portuale).
3. Efficienza Computazionale: Dimostra che l'uso di meccanismi come LSKA e Gold-YOLO può essere integrato in modelli leggeri senza richiedere hardware eccessivo, rendendo queste tecnologie più accessibili per applicazioni in tempo reale su dispositivi con risorse limitate.
4. Validazione Pratica: I risultati sul dataset DOTA-v1 confermano che l'approccio proposto non è solo teoricamente valido, ma offre un valore pratico immediato per migliorare l'automazione nel rilevamento di oggetti aerei.