RS-TinyNet：用于检测遥感图像中小目标的分阶段特征融合网络
计算机视觉与模式识别
2025-09-08 v2 机器学习
摘要
检测遥感 (RS) 图像中的小目标长期以来一直是由于其极其有限的空间信息、较弱的特征表征以及在复杂背景中的稠密分布而面临挑战的难题。尽管已有众多努力，但主流检测器在此类场景下仍表现不佳。为弥合这一差距，我们引入 RS-TinyNet，这是一个专为 RS 小目标检测在各种 RS 场景中设计的多阶段特征融合和增强模型。RS-TinyNet 包含两个新颖设计：小目标显著性建模和特征完整性重建。基于这些原则，我们设计了三个分阶段特征增强模块。其中，多维协同注意力 (MDCA) 模块采用多维注意力机制来增强小目标的显著性。此外，引入辅助可逆分支 (ARB) 和渐进融合检测头 (PFDH) 模块，以保持信息流并融合多层特征，以弥合语义差距并保留结构细节。在公开 RS 数据集 AI-TOD 上的全面实验表明，RS-TinyNet 超越了现有最先进 (SOTA) 检测器，分别提升了 4.0% 的平均精度 (AP) 和 6.5% 的 AP75。在 DIOR 基准数据集上的评估进一步验证了其在多样化 RS 场景中的卓越检测性能。这些结果表明，所提出的多阶段特征融合策略为解决复杂 RS 环境中的小目标检测提供了有效且实用的解决方案。
关键词
引用
@article{arxiv.2507.13120,
title = {RS-TinyNet: Stage-wise Feature Fusion Network for Detecting Tiny Objects in Remote Sensing Images},
author = {Xiaozheng Jiang and Wei Zhang and Xuerui Mao},
journal= {arXiv preprint arXiv:2507.13120},
year = {2025}
}
备注
The content of the thesis requires supplementation to make it more substantial