鄂霍次克飘拂草的元素组成与其地热生境的关系

《Plants》：The Elemental Composition of Fimbristylis ochotensis in Relation to Its Geothermal Habitat

　　

连续的海上监视越来越依赖光学遥感，然而由于有限的空间分辨率、复杂的海洋背景和传感器噪声抑制了检测器所依赖的细粒度线索，小型船舶在低分辨率图像中难以被检测到，而常规获取高分辨率图像的成本又高得令人望而却步。为解决这一问题，提出了一种混合框架（RGT-YOLOv5Det），将基于Transformer的超分辨率（SR）与轻量级目标检测器相结合，从而在检测之前恢复精细空间细节。在方法上，从公开的TGRS-HRRSD数据集构建了一个配对基准（Ship-HRRSI/Ship-LRRSI），将图像标准化为800 × 800像素，并通过4×双三次降采样生成200 × 200像素的对应图像；在相同的训练设置下对三个SR模型（RGT、HAT和Real-ESRGAN）和四个检测器（YOLOv5s、YOLOv8s、YOLOv10s和Faster R-CNN-MobileNetV3-Large-FPN）进行了微调和比较，并将性能最佳的组件集成到所提出的两级流水线中。结果表明，RGT以最少的参数（13.37 M）实现了最佳的重建质量（PSNR 22.038 dB，SSIM 0.3502），YOLOv5s被证明是对分辨率最鲁棒的检测器，集成后的RGT-YOLOv5Det在低分辨率图像上取得了mAP@0.5为0.947和mAP@0.5:0.95为0.768的成绩，分别比每个指标上最佳的独立检测器高出0.033和0.089。研究得出结论，在检测之前恢复结构细节为高分辨率成像提供了一种准确且采集成本高效的替代方案，为在退化的光学遥感图像中实现可靠的小型船舶检测提供了一条实用途径。

光学遥感在连续海事监视中扮演着日益重要的角色，但低分辨率图像中的小型船舶检测面临重大挑战。由于空间分辨率有限、海洋背景复杂以及传感器噪声干扰，检测器难以提取足够的细粒度特征；而常规获取高分辨率图像成本高昂，无法支撑大面积、高频次监视。针对这一矛盾，已有研究分别在检测网络架构和超分辨率重建上取得进展，但很少有工作系统地比较不同超分辨率模型与不同检测器在统一条件下的组合效果，也缺乏专门服务于该任务的配对低/高分辨率船舶数据集。因此，该研究旨在构建一个配对基准，并通过集成最优的超分辨率重建与检测组件，实现低分辨率光学遥感图像中可靠且成本高效的小型船舶检测。

研究人员从公开的TGRS-HRRSD数据集中提取船舶类别，构建了Ship-HRRSI（800×800像素）与Ship-LRRSI（200×200像素）配对数据集；在相同训练设置下微调了三个超分辨率（Super-Resolution, SR）模型（RGT、HAT、Real-ESRGAN）和四个检测器（YOLOv5s、YOLOv8s、YOLOv10s、Faster R-CNN-MobileNetV3-Large-FPN），并选取性能最佳的组件集成为两阶段流水线RGT-YOLOv5Det。实验结果显示，RGT在重建质量上最优（PSNR 22.038 dB，SSIM 0.3502）且参数最少（13.37 M），YOLOv5s对分辨率变化最鲁棒；集成后的RGT-YOLOv5Det在低分辨率测试集上获得mAP@0.5为0.947、mAP@0.5:0.95为0.768的精度，