R-CNN المُنْشَط: الت". 正确的翻译应该是： R-CNN المُسْتَطِيل: الاقتران الكبير للمستطيلات للكشف عن الأشياء في الصور الجغرافية远 （注：最后一句“用于遥感物体检测的大尺寸条带卷积”在阿拉伯语中更准确的表达是“الاقتران الكبير للمستطيلات للكشف عن الأشياء في الصور الجغرافية”） 最终版本： R-CNN المُسْتَطِيل: الاقتران الكبير للمستطيلات للكشف عن الأشياء في الصور الجغرافية

بينما شهدت تقنيات الكشف عن الأشياء باستخدام الاستشعارعن بعد تطورًا سريعًا، لا تزال تواجه تحديات في كشف الأشياء ذات النسبة الطولية العالية. يظهر هذا البحث أن الالتفافات الشريطية الكبيرة هي متعلمات جيدة لتمثيل الميزات في الكشف عن الأشياء باستخدام الاستشعار عن بعد ويمكنها اكتشاف الأشياء بنسب طولية مختلفة بشكل جيد. استنادًا إلى الالتفافات الشريطية الكبيرة، قمنا ببناء هندسة شبكة جديدة تُسمى Strip R-CNN (شبكة شريط R-CNN)، وهي بسيطة وفعالة وقوية. على عكس أجهزة الكشف الحديثة عن الأشياء باستخدام الاستشعار عن بعد التي تعتمد على الالتفافات ذات النواة الكبيرة والمربعة، يستفيد نموذجنا Strip R-CNN من الالتفافات الشريطية الكبيرة المتتالية والعمودية في شبكتنا الأساسية StripNet (شبكة شريط) لالتقاط المعلومات الفضائية. بالإضافة إلى ذلك، نحسن قدرة التموضع لأجهزة كشف الأشياء باستخدام الاستشعار عن بعد من خلال فصل رؤوس الاكتشاف وتزويد فرع التموضع بالالتفافات الشريطية في رأس الشريط الخاص بنا. أظهرت التجارب الواسعة على عدة مقاييس مرجعية، مثل DOTA وFAIR1M وHRSC2016 وDIOR، أن نموذجنا Strip R-CNN يمكنه تحسين الأعمال السابقة بشكل كبير. وبشكل خاص، حقق نموذجنا ذو الحجم 30 مليون معلمة نسبة mAP (متوسط الدقة المرجح) قدرها 82.75٪ على DOTA-v1.0، مما يحدد سجلًا جديدًا للحالات الرائدة في هذا المجال. سيتم توفير كود البرمجيات الخاص بنا بشكل عام ومجانٍ للجمهور.كود البرمجيات متاح على: https://github.com/YXB-NKU/Strip-R-CNN.