多尺度骨干网络

低质特征也精准

通过非扩张多分支注意力解耦多尺度特征,并整合边缘信息与高斯分布改善低质量目标特征表达,以小参数量实现遥感检测精度新突破。

Wei, Lu · Hui-Dong, Li · Chao, Wang · 陈思宝 · DIng, Chris H.Q. · 汤进 · 罗斌

ISPRS Journal of Photogrammetry and Remote Sensing 2026

参数信息

平均精度(mAP)
79.99 %
平均精度(mAP)
73.09 %
平均精度(mAP)
69.48 %
平均精度(mAP)
44.44 %

技术优势

解耦多尺度特征

采用非扩张多分支注意力机制,分别施加点、局部和中等范围注意力,避免不同尺度特征相互干扰,在不增加参数量的前提下提升特征表达。

提升低质目标可辨性

通过整合边缘信息和高斯分布,增强模糊或低质量目标的特征表达,从而提升检测精度。

参数效率高

在参数数量有限的情况下仍能高效提取多尺度和低质量特征,并在多个基准上取得最优精度,表明模型在精度和效率之间取得良好平衡。

应用场景