LiM-YOLO：针对光遥感舰船检测的金字塔级移位策略
计算机视觉与模式识别
2026-05-27 v3 图像与视频处理
摘要
通用目标检测器在卫星图像中用于舰船检测面临根本结构限制，因舰船尺度分布集中于小尺寸且长宽比较大。在常规 You Only Look Once 架构中，最深的特征金字塔级别（步幅 32）会将狭长舰船压缩为亚像素表示，导致严重的空间特征稀释，损害准确的舰船边界回归。我们提出了 Less is More YOLO，基于 YOLOv9 的超大型变体构建的简练检测器，以解决这些特定于领域的结构冲突。通过对舰船尺度分布进行统计分析（覆盖 SODA-A、DOTA-v1.5、FAIR1M-v2.0 和 ShipRSImageNet 四大基准数据集），我们引入金字塔级移位策略，将检测头从步幅 8、16、32 移位至步幅 4、8、16。该移位满足由尼采采样-香农原理推导的狭最窄目标的空间可表示性条件，同时消除了最深金字塔级别的计算冗余。为进一步稳定高分辨率卫星输入上的训练，我们采用组归一化辅助投影模块，将组归一化引入投影路径，以缓解内存受限小批量情境下的梯度不稳定。我们在这些数据集上验证了该检测器，获得 mAP_{50-95} 为 0.600，仅需 21.16 百万参数，较超大型 YOLOv9 基线（58.99 百万）减少 64.1%。尽管体积紧凑，本模型超越了最新检测器（规模可达三倍），验证了针对性金字塔级移位实现了“少即是多”的精度与效率平衡。代码已公开 https://github.com/egshkim/LiM-YOLO。
引用
@article{arxiv.2512.09700,
title = {LiM-YOLO: Less is More with Pyramid Level Shift for Ship Detection in Optical Remote Sensing},
author = {Seon-Hoon Kim and Yerin Kim and Hyeji Sim and Youeyun Jung and Okchul Jung and Daewon Chung},
journal= {arXiv preprint arXiv:2512.09700},
year = {2026}
}
备注
16 pages, 6 figures, 9 tables