Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот документ:
https://elib.bsu.by/handle/123456789/341192| Заглавие документа: | Enhanced small object detection using modified YOLOv11n model |
| Другое заглавие: | Улучшенное обнаружение мелких объектов с использованием модифицированной модели YOLOv11n / С. Чжу, С. Абламейко |
| Авторы: | Zhu, S. Ablameyko, S. |
| Тема: | ЭБ БГУ::ЕСТЕСТВЕННЫЕ И ТОЧНЫЕ НАУКИ::Кибернетика |
| Дата публикации: | 2025 |
| Издатель: | Минск : БГУ |
| Библиографическое описание источника: | Информационные системы и технологии = Information Systems and Technologies : материалы XI Междунар. науч. конгр. по информатике (CSIST-2025), Респ. Беларусь, Минск, 29–31 окт. 2025 г. В 2 ч. Ч. 2 / Белорус. гос. ун-т ; редкол.: С. В. Абламейко (гл. ред.) [и др]. – Минск : БГУ, 2025. – С. 405-411. |
| Аннотация: | The paper proposes an improved YOLOv11 model by introducing a Large Kernel Spatial Attention (LSKA) mechanism and a Gold-YOLO Neck structure, which significantly enhance small object detection performance. The LSKA module combines large-kernel convolution with channel attention to strengthen the model’s ability to extract fine-grained features of tiny objects, while the Gold-YOLO Neck optimizes detection performance across different object scales through multi-scale feature fusion. Experiments on the DOTAv1 dataset demonstrate that the proposed method achieves a 1.3% improvement in small object detection accuracy (mAP@0.5) over the baseline YOLOv11, while maintaining real-time performance |
| Аннотация (на другом языке): | В статье предложена улучшенная модель YOLOv11 с внедрением механизма пространственного внимания на основе больших ядер (LSKA) и структуры шеи Gold-YOLO, что значительно повышает производительность обнаружения малых объектов. Модуль LSKA сочетает свертку с большими ядрами и канальное внимание для усиления способности модели извлекать мелкозернистые признаки tiny-объектов, в то время как шея Gold-YOLO оптимизирует производительность обнаружения на разных масштабах объектов посредством многомасштабного слияния признаков. Эксперименты на наборе данных DOTAv1 показали, что предложенный метод обеспечивает улучшение точности обнаружения малых объектов (mAP@0.5) на 1.3% по сравнению с базовой версией YOLOv11 при сохранении работы в реальном времени |
| Доп. сведения: | Раздел IV. Геоинформатика и дистанционное зондирование земли |
| URI документа: | https://elib.bsu.by/handle/123456789/341192 |
| ISBN: | 978-985-881-851-7 978-985-881-853-1 (ч. 2) |
| Лицензия: | info:eu-repo/semantics/openAccess |
| Располагается в коллекциях: | 2025. Информационные системы и технологии |
Полный текст документа:
| Файл | Описание | Размер | Формат | |
|---|---|---|---|---|
| 405-411.pdf | 669,61 kB | Adobe PDF | Открыть |
Все документы в Электронной библиотеке защищены авторским правом, все права сохранены.