Transformer 与 CNN 组合：高分辨率卫星图像高效目标检测
计算机视觉与模式识别
2025-07-16 v1
摘要
我们提出了 GLOD（Transformer-first 架构），用于高分辨率卫星图像的目标检测。GLOD 用 Swin Transformer 替代 CNN 主干网络，实现端到端特征提取，结合 novel UpConvMixer 块实现鲁棒的上采样和 Fusion Blocks 实现多尺度特征集成。我们的方法在 xView 数据集上取得 32.95% 的准确率，超越 SOTA 方法 11.46%。关键创新包括采用 CBAM 注意力的非对称融合和跨尺度捕获目标的多路径头设计。该架构针对卫星图像挑战进行了优化，利用空间先验同时保持计算效率。
引用
@article{arxiv.2507.11040,
title = {Combining Transformers and CNNs for Efficient Object Detection in High-Resolution Satellite Imagery},
author = {Nicolas Drapier and Aladine Chetouani and Aurélien Chateigner},
journal= {arXiv preprint arXiv:2507.11040},
year = {2025}
}
备注
11 pages, 9 figures