摘要
在计算机视觉（CV）领域，如何在速度与精度之间取得平衡仍是亟待解决的关键挑战。近年来，研究重点集中于开发轻量级网络，以优化计算效率并提升特征提取能力。然而，在遥感（RS）图像分析中，由于小目标与多尺度目标检测至关重要，现有轻量级网络在性能上往往表现不足。为此，本文提出一种名为DecoupleNet的创新轻量级主干网络，专为资源受限环境下的遥感视觉任务设计。DecoupleNet引入两个核心模块：特征融合下采样（FID）模块与多分支特征解耦（MBFD）模块。其中，FID模块在下采样过程中有效保留小目标的特征信息，而MBFD模块则通过一种新颖的解耦机制，显著增强小目标及多尺度目标的特征表达能力。在三个典型的遥感视觉任务上的全面评估表明，DecoupleNet在精度与计算效率之间展现出优于现有轻量级网络的卓越平衡性。在NWPU-RESISC45图像分类数据集上，DecoupleNet达到95.30%的Top-1准确率，较FasterNet提升2%，同时参数量更少、计算开销更低。在DOTA 1.0测试集上的目标检测任务中，DecoupleNet的检测准确率达到78.04%，优于ARC-R50的0.69%。在LoveDA数据集的语义分割任务中，DecoupleNet实现53.1%的准确率，较UnetFormer提升0.70%。上述结果为在资源受限设备上推进遥感图像分析提供了新的技术路径，填补了该领域的重要空白。相关代码与预训练模型已公开发布于GitHub：https://github.com/lwCVer/DecoupleNet。