MKSNet：面向遥感图像小目标检测的多核与双注意力机制
计算机视觉与模式识别
2025-12-04 v1 人工智能
摘要
深度卷积神经网络（DCNN）显著推进了目标检测能力，特别是在遥感图像中。然而，挑战依然存在，尤其是在检测小目标时，这些图像的高分辨率和目标物体的小尺寸往往导致关键信息在传统CNN的更深层中丢失。此外，遥感图像中广泛的空间冗余和复杂的背景细节往往掩盖这些小目标。为应对这些挑战，我们提出了多核选择网络（MKSNet），一种具有新颖多核选择机制的新型网络架构。MKS机制利用大卷积核有效捕获广泛的上下文信息。这种创新设计允许自适应核尺寸选择，显著增强了网络动态处理和强调小目标检测关键空间细节的能力。此外，MKSNet还集成了双注意力机制，融合了空间注意力和通道注意力模块。空间注意力模块自适应地微调特征图的空间权重，更加聚焦于相关区域同时抑制背景噪声。同时，通道注意力模块优化通道信息选择，改善特征表示和检测精度。在DOTA-v1.0和HRSC2016基准上的经验评估表明，MKSNet在遥感图像中小目标的检测方面大幅超越了现有的最先进模型。这些结果突显了MKSNet在管理多尺度和高分辨率图像数据复杂性方面的优越能力，确认了其在遥感目标检测中的有效性和创新性。
引用
@article{arxiv.2512.03640,
title = {MKSNet: Advanced Small Object Detection in Remote Sensing Imagery with Multi-Kernel and Dual Attention Mechanisms},
author = {Jiahao Zhang and Xiao Zhao and Guangyu Gao},
journal= {arXiv preprint arXiv:2512.03640},
year = {2025}
}