研究背景
遥感影像目标检测是遥感影像智能解译的关键技术，旨在自动搜索并定位影像中的感兴趣目标。尽管通用目标检测算法在自然影像上已取得显著进展，但由于遥感影像固有的背景复杂、目标尺度与形状变化剧烈等特性，其直接应用于遥感领域时性能受限。
核心挑战
多尺度目标、复杂背景、极端长宽比
创新方案
BSPDet尺度和形状感知检测网络
核心指标
96.5%
RSOD mAP
73.7%
DIOR mAP
98.7%
SSDD mAP
遥感影像目标检测三大挑战
多尺度目标
尺寸变化剧烈
不同类别天然尺寸差异
相同类别尺寸变化大
单层感受野覆盖有限
复杂背景
背景噪声干扰
目标占影像面积小
大部分为复杂背景
背景弱化目标特征
极端长宽比
形状变化剧烈
桥梁等目标长度远大于宽度
卷积核感受野固定正方形
无法聚焦极端长宽比目标
BSPDet网络架构设计
GLCCFNet
全局局部交叉融合
Global-Local Contexts Crossing Fusion Network作为主干网络，实现尺度感知
多尺度特征提取
有效捕获多尺度目标的深层特征，充分考虑空间和通道互补性
MSDC模块
多尺度堆叠空洞卷积模块实现大范围上下文信息建模
SFFPN
可挑选焦点融合
Select-Focus Feature Pyramid Network通过语义精炼与空间选择过滤背景噪声
语义平衡机制
消除不同尺度特征图之间的语义鸿沟，实现语义平衡
空间选择性
自适应分配注意力权重，增强目标定位关键特征
SSDHead
形状感知解耦
Shape-aware Decoupled Head结合条带卷积和可变形卷积，实现形状感知
极端长宽比适应
专门针对极端长宽比目标设计，提升特征提取能力
条带+可变形卷积
充分结合条带卷积和可变形卷积的优势
三大核心技术创新
尺度感知机制
交叉融合策略
全局上下文提供空间权重
局部上下文提供通道注意力
充分考虑空间通道互补性
多尺度建模
MSDC模块通过堆叠空洞卷积实现大范围上下文信息近似建模
背景抑制机制
语义平衡
消除非相邻特征图语义鸿沟
平衡不同尺度特征语义差异
提升特征融合效果
空间选择
为不同尺度特征图分配不同空间权重，精准过滤复杂背景噪声
形状感知机制
双重卷积融合
条带卷积处理规则长宽比
可变形卷积适应任意形状
充分结合两者优势
解耦检测头
专门设计的解耦检测头提升极端长宽比目标的检测精度
多数据集实验结果
光学遥感数据集
RSOD数据集
96.5% mAP
遥感目标检测基准数据集表现优异
DIOR数据集
73.7% mAP
大规模光学遥感影像数据集验证
HRRSD数据集
94.4% mAP
高分辨率遥感舰船检测数据集
SAR数据集验证
SSDD数据集
98.7% mAP
SAR舰船检测数据集达到最优性能
泛化能力验证
超越LWM-YOLO等最新方法
超越DEPDet等先进算法
展现优越性能和泛化能力
对比基准
PKINet
YOLOv12
MobileNetv4
StarNet
性能优势总结
尺度感知
多尺度目标精准检测
背景抑制
复杂背景噪声过滤
形状感知
极端长宽比目标检测
实际应用场景
道路病害识别
自动检测路面裂缝、坑洞等病害，为道路维护提供技术支撑
舰船监测
海上舰船目标检测与跟踪，支持海洋监管和安全防护
应急救援
灾害现场目标快速识别，为应急救援决策提供信息支持
滑坡检测
地质灾害隐患点识别，预防和减少地质灾害损失