面向遥感目标检测的大规模选择性卷积核网络

近年来，遥感目标检测领域的研究主要集中在提升定向边界框的表示能力，却忽视了遥感场景中所蕴含的独特先验知识。这些先验知识具有重要价值：由于缺乏足够长距离的上下文信息，遥感图像中的微小目标极易被误检；而不同类型目标所依赖的长距离上下文范围也各不相同。为此，本文充分考虑上述先验信息，提出了一种新型网络结构——大选择性卷积核网络（Large Selective Kernel Network, LSKNet）。LSKNet能够动态调整其大尺度空间感受野，从而更有效地建模遥感场景中各类目标的远距离上下文特征。据我们所知，这是首次在遥感目标检测领域探索大尺度且具有选择性的卷积核机制。在不依赖复杂附加模块的前提下，LSKNet在多个标准基准上取得了新的最先进性能：在HRSC2016数据集上达到98.46%的mAP，在DOTA-v1.0数据集上达到81.85%的mAP，在FAIR1M-v1.0数据集上达到47.87%的mAP。基于相同技术思路，该方法在2022年粤港澳大湾区国际算法大赛中荣获第二名。代码已开源，地址为：https://github.com/zcablii/Large-Selective-Kernel-Network。