PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.27238v1cs.CV

방향성 선박 검출을 위한 스트립 합성곱과 방향 인식 배제 손실

Strip Convolution and Direction-Aware Exclusion Loss for Oriented Ship Detection

초고해상도(VHR) 원격탐사 영상에서의 방향성 선박 검출은 길쭉한 선체 기하와 복잡한 항만 장면에서의 밀집된 목표 분포로 인해 여전히 어려운 과제이다. 기존 방법들은 일반적으로 기하 표현과 중복 억제를 각각 따로 다룬다. 이 문제들을 함께 해결하기 위해, 우리는 두 가지 상보적 구성 요소를 갖춘 방향성 선박 검출기를 제안한다. C3k2_Strip 모듈은 직교 스트립 합성곱을 사용하여 길쭉한 선체 구조를 더 잘 포착하고, Class-Aware Direction-Aware Exclusion Loss(CA-DAEL)는 클래스, 방향, 신뢰도 단서를 이용해 중복 예측을 억제한다. HRSC2016과 DIOR-R에서의 실험은 각각 78.45% 및 53.71%의 mAP50:95를 달성하며, 파라미터는 2.91M에 불과하다. HRSC2016에서 제안 방법은 YOLOv11-OBB 기준선 대비 mAP50:95를 6.32 percentage points 향상시켜, 정확한 방향성 선박 검출에서의 효과를 보여준다.

arXiv:2512.09700v4cs.CV

LiM-YOLO: 광학 원격 탐사 선박 탐지를 위한 피라미드 레벨 시프트로 Less is More 실현

LiM-YOLO: Less is More with Pyramid Level Shift for Ship Detection in Optical Remote Sensing

위성 영상에서 소형·고종횡비 선박을 탐지할 때 기존 YOLO의 P3–P5 피라미드 구조가 가장 깊은 레벨(stride 32)에서 선박을 서브픽셀로 압축하는 공간 특징 희석 문제를 해결하기 위해, LiM-YOLO는 탐지 헤드를 P2–P4(stride 4, 8, 16)로 시프트하는 Pyramid Level Shift 전략과 마이크로 배치 환경의 그래디언트 불안정성을 완화하는 GN-CBLinear 모듈을 제안한다. SODA-A, DOTA-v1.5, FAIR1M-v2.0, ShipRSImageNet 네 가지 벤치마크에서 2,116만 파라미터로 mAP50:95 0.600을 달성하며, 기존 YOLOv9-E 대비 파라미터를 64.1% 줄이면서도 최대 세 배 큰 최신 탐지기들을 능가한다.