GlimmerNet：用于无人机应急监测的轻量级分组膨胀深度可分离卷积

卷积神经网络（CNN）因其计算效率而在边缘和移动视觉任务中表现出色。尽管许多近期工作通过基于自注意力的视觉Transformer增强CNN的全局上下文理解，但这些方法往往引入显著的计算开销。在本工作中，我们证明了在不依赖计算昂贵的组件的情况下保留强全局感知能力是可能的。我们提出了 GlimmerNet，一个基于分离感受野多样性与特征重组原理的超轻量卷积网络。GlimmerNet 引入了分组膨胀深度可分离卷积（GDBlocks），将通道划分为具有不同膨胀率的组，以无额外参数成本的方式实现多尺度特征提取。为高效融合这些特征，我们设计了一个新颖的聚合模块，利用分组逐点卷积重组跨组表示，显著降低了参数开销。仅需 31K 参数和比最新基线少 29% 的 FLOPs，GlimmerNet 在无人机聚焦的 AIDERv2 数据集上取得了加权 F1 分数 0.966 的新最先进水平。这些结果为资源受限的无人机平台上的实时应急监测建立了新的精度-效率权衡前沿。我们的实现在 https://github.com/djordjened92/gdd-cnn 公开发布。