摘要
本发明提出了一种基于YOLOv8的遥感受损建筑物目标检测方法。该方法通过设计多层次特征学习与多尺度精细化特征融合策略。降低复杂背景下的噪声干扰效应，同时增强模型对不同受损程度、形态各异建筑物特征的敏感度，即便是微小的受损迹象也能精准捕捉。首先，创新设计四层卷积多分支架构CDFR替代YOLOv8模型的基准卷积单元Conv，用来改善受损建筑物特征微小不明显在实际检测中难以被检测出来的问题，从而提高模型的特征提取能力；其次，在YOLOv8的neck端嵌入双通道注意力模块EDCA模块，增强通道间依赖性抑制无关背景对模型的影响，更好的捕获我们所需要的特征；最后，使用新的损失函数T‑Focal loss，有效增强模型对小目标的检测能力，减少正负样本不平衡问题引起的误检现象，提升模型检测效果。本发明为遥感受损建筑物目标任务提供了一种高效、准确的方法，适用于灾后应急评估与智慧城市基础设施监测等领域。
