论文解读 | ICCV 2023 / IJCV 2024 | 2026-06-01

📄 论文信息

🎯 解决的核心问题

问题背景

遥感图像具有独特的特点：目标尺度变化大、小目标密集分布、背景复杂多样。传统的卷积神经网络使用固定大小的卷积核，其感受野是固定的，这在处理遥感图像时面临两个关键挑战：

1. 小目标检测困难：遥感图像中的目标（如车辆、船只）往往只有几个像素大小，固定感受野可能无法捕获足够的上下文信息来准确识别这些小目标。

2. 不同目标需要不同感受野：建筑物需要大范围上下文来理解其结构，而车辆则需要局部细节信息。固定感受野无法适应这种多样性。

现有方法的局限

• CNN方法：受限于固定感受野，难以捕获长距离依赖
• Transformer方法：虽然具有全局建模能力，但计算复杂度高，不适合实时应用
• 多尺度方法：如FPN，通过多尺度特征融合来缓解问题，但仍然是固定感受野

核心问题提炼

如何设计一个轻量级的骨干网络，能够根据遥感图像中不同目标的特点，动态调整其空间感受野？

💡 解决方案

核心创新点1：大型选择性核机制 (Large Selective Kernel)

设计动机： 遥感图像中的目标具有高度多样性。例如，一条河流可能跨越数千像素，而一辆汽车可能只有几个像素。传统的固定大小卷积核无法适应这种变化。LSKNet的核心思想是：让网络能够根据输入内容，动态选择最合适的感受野大小。