上下文锚注意力 - Tag - 堂堂一跑堂https://spacetop.win/tags/%E4%B8%8A%E4%B8%8B%E6%96%87%E9%94%9A%E6%B3%A8%E6%84%8F%E5%8A%9B/上下文锚注意力 - Tag - 堂堂一跑堂Hugo -- gohugo.iozh-CNkingcopper@whu.edu.cn (WangTong)kingcopper@whu.edu.cn (WangTong)Sun, 31 May 2026 12:00:00 +0800多核Inception网络：遥感目标检测的尺度感知新范式https://spacetop.win/2026/05/20260531_231500_pkinet_remote_sensing_detection/Sun, 31 May 2026 12:00:00 +0800WangTonghttps://spacetop.win/2026/05/20260531_231500_pkinet_remote_sensing_detection/ 多核Inception网络：遥感目标检测的尺度感知新范式

论文解读 | CVPR 2024 | 2026-05-31

📄 论文信息

项目 内容
标题 Poly Kernel Inception Network for Remote Sensing Detection
作者 Xinhao Cai, Qiuxia Lai, Yuwei Wang, Wenguan Wang, Zeren Sun, Yazhou Yao
会议 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) 2024
arXiv https://arxiv.org/abs/2403.06258
GitHub https://github.com/NUST-Machine-Intelligence-Laboratory/PKINet
关键词 遥感目标检测、多尺度特征提取、Inception网络、上下文锚注意力、无膨胀卷积

🎯 解决的核心问题

遥感图像（Remote Sensing Images, RSIs）中的目标检测是计算机视觉领域的重要研究方向。与自然图像不同，遥感图像具有独特的挑战性：

  1. 目标尺度变化巨大：同一场景中可能包含从几像素到几百像素的不同大小目标（如车辆vs机场）
  2. 背景复杂多样：遥感图像包含丰富的上下文信息，但也带来大量干扰
  3. 目标方向任意：遥感目标通常以任意角度出现，需要旋转不变性

为了解决上述问题，现有方法主要通过扩展主干网络的空间感受野来增强特征提取能力：

方法一：大核卷积（Large-kernel Convolution）

  • 使用大尺寸卷积核（如7×7、11×11）来扩大感受野
  • 问题：引入大量背景噪声，降低检测精度

方法二：膨胀卷积（Dilated Convolution）

  • 通过设置膨胀率来扩大感受野，同时保持参数量
  • 问题：生成过于稀疏的特征表示，丢失细节信息

如何在不引入背景噪声和不损失特征密度的前提下，有效捕获遥感图像中多尺度目标的特征和上下文信息？

]]>