LSKNet : Un squelette léger fondamental pour la télédétection

Les images de télédétection posent des défis particuliers pour les tâches ultérieures en raison de leur complexité intrinsèque. Bien qu'une quantité considérable de recherches ait été consacrée à la classification, la détection d'objets et la segmentation sémantique en télédétection, la plupart de ces études ont négligé les connaissances a priori précieuses intégrées dans les scénarios de télédétection. Ces connaissances a priori peuvent s'avérer utiles, car les objets détectés en télédétection peuvent être mal interprétés en l'absence d'un contexte à longue portée suffisamment étendu, lequel varie selon les objets considérés. Ce papier prend en compte ces connaissances a priori et propose un modèle de base léger, le Large Selective Kernel Network (LSKNet). LSKNet peut ajuster dynamiquement son champ réceptif spatial étendu afin de mieux modéliser le contexte à portée variable des différents objets présents dans les scénarios de télédétection. À notre connaissance, les mécanismes à noyaux larges et sélectifs n'ont jamais été explorés auparavant dans le domaine des images de télédétection. Sans recourir à des ajouts superflus, notre LSKNet léger établit de nouveaux records sur les benchmarks standards de classification, de détection d'objets et de segmentation sémantique en télédétection. Une analyse approfondie confirme également l'importance des connaissances a priori identifiées ainsi que l'efficacité du modèle LSKNet. Le code est disponible à l'adresse suivante : https://github.com/zcablii/LSKNet.