Wir stellen HetNet (Multi-level \textbf{Het}erogene \textbf{Net}zwerke) vor, ein hoch-effizientes Spiegel-Erkennungsnetzwerk. Aktuelle Methoden zur Spiegel-Erkennung konzentrieren sich stärker auf die Leistung als auf die Effizienz, was die Echtzeit-Anwendungen (wie Drohnen) einschränkt. Ihr Mangel an Effizienz wird durch das übliche Design verursacht, bei dem homogene Module auf verschiedenen Ebenen verwendet werden, wodurch Unterschiede zwischen den Merkmalen verschiedener Ebenen übersehen werden. Im Gegensatz dazu erkennt HetNet potenzielle Spiegelbereiche zunächst durch niedrigstufiges Verständnis (\textit{z.B.}, Intensitätskontraste) und kombiniert dies anschließend mit hochstufigem Verständnis (zum Beispiel kontextuelle Diskontinuität), um die Vorhersagen abzuschließen. Um genaue und effiziente Spiegel-Erkennung zu gewährleisten, folgt HetNet einer effektiven Architektur, die spezifische Informationen in verschiedenen Phasen erhält, um Spiegel zu erkennen. Wir schlagen zudem ein multi-orientiertes intensitätsbasiertes Kontrastmodul (MIC) und ein Reflexionssemantiklogisches Modul (RSL) vor, die in HetNet integriert sind. Diese Module dienen dazu, potenzielle Spiegelbereiche durch niedrigstufiges Verständnis vorherzusagen und semantische Logik in Szenarien durch hochstufiges Verständnis zu analysieren. Verglichen mit der Stand-of-the-Art-Methode ist HetNet 664% schneller und erzielt im Durchschnitt eine Leistungssteigerung von 8,9% bezüglich des MAE, 3,1% bezüglich des IoU und 2,0% bezüglich des F-Maßes auf zwei Benchmarks für Spiegel-Erkennung.