Enhanced small object detection using modified YOLOv11n model

Zhu, S.; Ablameyko, S.

Даты публикации Авторы Заглавия Темы

Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот документ: https://elib.bsu.by/handle/123456789/341192

Полная запись метаданных

Поле DC	Значение	Язык
dc.contributor.author	Zhu, S.
dc.contributor.author	Ablameyko, S.
dc.date.accessioned	2026-02-05T11:05:09Z	-
dc.date.available	2026-02-05T11:05:09Z	-
dc.date.issued	2025
dc.identifier.citation	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.
dc.identifier.isbn	978-985-881-851-7
dc.identifier.isbn	978-985-881-853-1 (ч. 2)
dc.identifier.uri	https://elib.bsu.by/handle/123456789/341192	-
dc.description	Раздел IV. Геоинформатика и дистанционное зондирование земли
dc.description.abstract	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
dc.language.iso	en
dc.publisher	Минск : БГУ
dc.rights	info:eu-repo/semantics/openAccess
dc.subject	ЭБ БГУ::ЕСТЕСТВЕННЫЕ И ТОЧНЫЕ НАУКИ::Кибернетика
dc.title	Enhanced small object detection using modified YOLOv11n model
dc.title.alternative	Улучшенное обнаружение мелких объектов с использованием модифицированной модели YOLOv11n / С. Чжу, С. Абламейко
dc.type	conference paper
dc.description.alternative	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
Располагается в коллекциях:	2025. Информационные системы и технологии

Полный текст документа:

Файл	Описание	Размер	Формат
405-411.pdf		669,61 kB	Adobe PDF	Открыть

Показать базовое описание документа Статистика Google Scholar

Все документы в Электронной библиотеке защищены авторским правом, все права сохранены.