IJCV 2025 | LSKNet：一种用于遥感的基础轻量级主干网络

最新推荐文章于 2025-11-02 17:02:41 发布

小白学视觉

最新推荐文章于 2025-11-02 17:02:41 发布

阅读量206

点赞数

CC 4.0 BY-SA版权

分类专栏：计算机顶会顶刊论文解读文章标签：网络深度学习计算机顶刊论文解读 IJCV

本文链接：https://blog.youkuaiyun.com/qq_42722197/article/details/148654998

计算机顶会顶刊论文解读专栏收录该内容

412 篇文章 ¥79.90 ¥99.00

订阅专栏

论文信息

题目：LSKNet: A Foundation Lightweight Backbone for Remote Sensing

LSKNet：一种用于遥感的基础轻量级主干网络

作者：Yuxuan Li, Xiang Li, Yimain Dai, Qibin Hou, Li Liu, Yongxiang Liu, Ming-Ming Cheng, Jian Yang

源码：https://github.com/zcablii/LSKNet

论文创新点

提出遥感数据的两个重要先验知识：准确识别遥感目标通常需要广泛的上下文信息，有限的上下文可能导致误分类（如区分船舶和车辆需依赖周围环境而非外观）。
- 不同物体所需的上下文信息差异显著（如足球场仅需局部特征，而环岛和桥梁需更大范围的上下文）。
首次将大核与选择性核机制引入遥感领域：设

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

小白学视觉

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

订阅专栏

qq_44224801的博客

07-30

2449

这篇论文提出了一种名为大型选择性核网络（Large Selective Kernel Network，简称LSKNet）的新方法，用于遥感对象检测。该方法动态调整特征提取骨干的感受野，以有效处理遥感场景中对象的广泛上下文。该模型使用空间选择机制对大型深度核处理的特征进行加权和空间合并。核的权重是根据输入动态确定的，使得模型能够自适应地使用不同的大核并为每个目标调整感受野。在遥感对象检测中，由于遥感图像的特殊性，如大尺度、高分辨率和多尺度目标等，传统的对象检测方法往往难以取得良好的效果。

【YOLOv8改进-注意力机制】LSKNet(Large Selective Kernel Network ):空间选择注意力

专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。

04-10

2592

【YOLOv8改进-注意力机制】LSKNet(Large Selective Kernel Network ):空间选择注意力 (论文笔记+引入代码)。LSKNet能够动态调整其大的空间接收场，以更好地模拟遥感场景中各种对象的范围上下文。据我们所知，这是首次在遥感目标检测领域探索大型和选择性核机制。

参与评论您还未登录，请先登录后发表或查看评论

【论文阅读】LSKNet: Large Selective Kernel Network for Remote Sensing Object Detection

糯米丸子TAT的博客

09-02

2万+

这是南开大学在ICCV2023会议上新提出的旋转目标检测算法，基本原理就是通过一系列Depth-wise 卷积核和空间选择机制来动态调整目标的感受野，从而允许模型适应不同背景的目标检测。1. 目前基于旋转框的遥感影像目标检测算法已经取得了一定的进展，但是很少考虑存在于遥感影像中的先验知识。遥感影像中的目标往往尺寸很小，仅仅基于其表观特征很难识别，如果结合其背景信息，如周边环境，就可以提供形状、方向等有意义的信息。

YOLOv8改进更换旋转目标检测的主干网络LSKNet

分享一些自己改进代码的实例

12-27

5346

手把手教你在yolov8中加入南开大学新研究的遥感旋转目标检测新SOTA：LSKNet，可动态调整空间感受视野，亲测在多个数据集上均有涨点！

ICCV 2023 | LSKNet【保姆级】训练自己的目标检测模型

weixin_51670564的博客

08-31

7433

LSKNet在多个数据集上刷新了SOTA，HRSC2016（98.46% mAP）、DOTA-v1.0（81.64% mAP）和FAIR1M-v1.0（47.87% mAP）。因此在自己的遥感数据集上试试效果。

南开大学提出LSKNet：遥感旋转目标检测新SOTA，助力计算机视觉的骨干网络

QvisCs的博客

09-22

668

通过引入ICCV的思想和旋转敏感的卷积操作，LSKNet在遥感图像中取得了新的SOTA，并为计算机视觉领域的目标检测任务带来了新的突破。LSKNet通过引入ICCV的思想，充分利用遥感图像中目标的旋转信息，从而在遥感旋转目标检测任务中取得了新的SOTA，大大提升了检测的准确性和鲁棒性。该网络的引入为计算机视觉领域的目标检测任务带来了新的启示，也为相关研究提供了有价值的参考。为了解决这一问题，南开大学提出了一种名为LSKNet的新骨干网络，将遥感旋转目标检测推向了新的高度。

LSKNet：大选择核网络在遥感目标检测中的应用

m0_47867638的博客

10-03

2389

遥感目标检测【75】是计算机视觉的一个领域，专注于在航空图像中识别和定位感兴趣的物体，如车辆或飞机。近年来，一个主流趋势是生成准确符合被检测物体方向的边界框，而不是简单地在它们周围绘制水平框。因此，大量的研究集中在改进遥感目标检测中有向边界框的表示。这主要是通过开发专门的检测框架实现的，如RoI Transformer【12】、Oriented R-CNN【62】和R3Det【68】，以及有向框编码技术，如滑动顶点【64】和中点偏移框编码【62】。

近三年图像超分辨率研究进展综述（轻量化方向）

智能守恒_HengAI

03-08

981

图像超分辨率技术正从单纯追求重建质量转向效率-精度-泛化的多维优化，轻量化与端侧部署成为工业落地的核心驱动力。未来需在算法创新、硬件协同与跨领域融合三方面持续突破，最终实现“感知-计算-应用”闭环的智能成像系统。预计到2026年，端侧SR模型在旗舰手机中的渗透率将超过60%，推动计算摄影进入“无损变焦”新纪元。

YOLOv13改进：轻量化改进 | Ghostnet、G_ghost、Ghostnetv2家族大作战（三）：华为GhostNet再升级，全系列硬件上最优极简AI网络G_ghost | IJCV22

①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；

07-09

198

G_ghost---华为诺亚的研究者针对GPU等设备的特点，巧妙引入跨层的廉价操作，减少计算量的同时减少的内存数据搬运

YOLOv13涨点改进 | 独家创新-注意力改进篇 | IJCV 2024 | YOLOv13引入 FMA傅里叶调制注意力和 DML动态混合层创新模块，助力目标检测、图像分类、图像分割高效涨点

热门推荐

qq_37706472的博客

03-05

8万+

YOLO主流模型改进大杂烩！！！目前包含yolov5，yolov7，yolov8模型的众多改进方案，效果因数据集和参数而定，仅供参考。

Yolov 引入ICCV: 南开大学提出 LSKNet：遥感旋转目标检测新的技术突破

ZuoProgramming的博客

09-21

709

近期，南开大学在计算机视觉领域提出了一种名为 LSKNet 的新型遥感旋转目标检测方法，该方法引入了 Yolov 引入ICCV，并通过LSKblockAttention技术实现了对小目标的有效检测。LSKNet的出现为遥感图像目标检测领域带来了新的技术突破。LSKNet的出现为遥感图像目标检测领域带来了新的技术突破，为实际应用提供了更准确、高效的解决方案。未来，随着深度学习和计算机视觉领域的不断发展，我们可以期待更多基于类似思想和方法的创新，进一步推动目标检测技术的发展，提升遥感图像分析的能力。

SKNet解读

luxinfeng的博客

10-04

1万+

SKNet的全称是“Selective Kernel Network”,它和SENet都是一个团队提出来的，SENet是对通道执行注意力机制，而SKNet则是对卷积核执行注意力机制，即让网络自己选择合适的卷积核。论文地址 SKNet的核心模块如下图所示。在该模块中，作者使用了多分支卷积网络、组卷积、空洞卷积以及注意力机制。多分支卷积网络多分支卷积网络，如字面意思，含有多于一个分支的卷积网...

Yolov8 引入ICCV 2023 | 南开大学提出LSKNet：遥感旋转目标检测新SOTA | LSKblockAttention助力小目标检测

①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；

07-27

3004

LSKNet在遥感旋转目标检测取得重大突破，本文引入LSKblockAttention，用于优化yolov8，对于小目标也能够涨点| LSKblockAttention助力小目标检测

YOLOv8改进 | 主干篇 | 添加全新的LSKNet遥感目标检测主干 (附代码+修改教程+结构讲解)

Snu77的博客

12-13

5127

本文给大家带来的改进内容是LSKNet（Large Kernel Selection, LK Selection），其是一种专为遥感目标检测设计的网络架构，其核心思想是动态调整其大的空间感受野，以更好地捕捉遥感场景中不同对象的范围上下文。实验部分我在一个包含三十多个类别的数据集上进行实验，其中包含大目标检测和小目标检测，mAP的平均涨点幅度在0.04-0.1之间(也有极个别的情况没有涨点)，同时官方的版本只提供了一个大版本，我在其基础上提供一个轻量化版本给大家选择，本文会先给大家对比试验的结果，供大家参考。

LSKNet

whaosoft143ai的博客

07-22

954

最近关于遥感物体检测的研究主要集中在改进旋转包围框的表示方法上，但忽略了遥感场景中出现的独特的先验知识。这种先验知识是非常重要的，因为微小的遥感物体可能会在没有参考足够长距离背景的情况下被错误地检测出来，而不同类型的物体所要求的长距离背景可能会有所不同。在本文中，我们将这些先验因素考虑在内，并提出了Large Selective Kernel Network（LSKNet）。LSKNet可以动态地调整其大空间感受野，以更好地建模遥感场景中各种物体的测距的场景。whaosoft aiot http://143

SKNet讲解

走在深度学习前沿的小宋

05-26

3179

视皮层神经元的感受野大小受刺激的调节，即对不同刺激，卷积核的大小应该不同，但在构建CNN时一般在同一层只采用一种卷积核，很少考虑因图片大小不同采用不同卷积核。于是提出了SKNet。在SKNet中，不同大小的感受视野（卷积核）对于不同尺度的目标会有不同的效果。尽管在Inception中使用多个卷积核来适应不同尺度图像，但是卷积核权重相同，参数就是被计算好的了。而SKNet对不同输入使用的卷积核感受野不同，参数权重也不同，可以根据输入大小自适应的进行处理。

轻量级语义分割网络英文

03-04

<think>好的，我现在需要回答用户关于轻量级语义分割网络英文的问题。用户之前已经询问过中文的轻量化语义分割模型，现在转向英文术语和资源。首先，我需要确定用户的需求：他们可能是在寻找英文文献、模型名称的英文写法，或者国际社区常用的术语。首先，用户之前的问题是关于近几年优秀的轻量化模型，现在问的是英文对应的内容。可能的意图是学术写作、查找英文资料，或者了解国际上的研究动态。我需要确保回答准确，提供正确的英文模型名称、关键术语，以及相关的英文论文或资源。接下来，我需要回忆常见的轻量级语义分割模型的英文名称。例如，BiSeNet系列在英文中也是同样的写法，STDCNet全称是Short-Term Dense Concatenation Network。此外，像Fast-SCNN、SegFormer这些名称在英文中保持一致。需要确认这些模型的正确英文拼写和缩写。然后，考虑用户可能需要的关键术语。比如，“轻量级”在英文中是“lightweight”，“语义分割”是“semantic segmentation”，组合起来是“lightweight semantic segmentation”。模型结构方面，双分支是“dual-branch”，实时处理是“real-time processing”，模型压缩技术如“knowledge distillation”知识蒸馏，“pruning”剪枝，“quantization”量化等。另外，用户可能需要了解英文论文中的常见表达，比如“mIoU”（mean Intersection over Union），“FPS”（Frames Per Second），以及常用的数据集如Cityscapes、ADE20K、PASCAL VOC等。还需要注意，有些模型在英文文献中有不同的称呼，或者缩写可能需要展开。例如，PIDNet中的PID指的是Proportional-Integral-Derivative，可能需要解释。此外，像Mobile-Former这样的组合模型，名字中的Mobile来自MobileNet，Former指Transformer，这种组合的命名方式在英文中常见。另外，用户可能对最新的研究趋势感兴趣，比如使用Transformer架构的轻量化改进，或者自监督学习在轻量级模型中的应用，这些在英文中对应的术语如“vision transformers”、“self-supervised learning”等。还要考虑是否要推荐一些英文资源，如顶级会议（CVPR、ICCV、ECCV）、期刊（TPAMI、IJCV），或者公开的代码库（GitHub）和数据集网站。例如，BiSeNet的代码可能托管在GitHub，论文发表在ECCV或CVPR。同时，需要确保英文术语的正确性，避免拼写错误，比如“SegFormer”而非“Segformer”，“STDCNet”的正确拼写等。另外，注意大小写，如NVIDIA的硬件型号（2080Ti，V100）的正确写法。可能还需要对比中英文之间的差异，例如有些模型在中文社区和英文社区的称呼是否一致，是否有不同的别名。例如，PP-LiteSeg是百度提出的，可能在英文文献中同样使用该名称，但需要确认。最后，需要组织这些信息，以清晰的结构呈现，比如分为模型名称、关键术语、常用指标、资源推荐等部分，帮助用户系统地了解英文相关内容。同时，检查是否有遗漏的重要模型或术语，确保信息的全面性。</think>以下是轻量化语义分割网络相关的英文术语、模型名称及关键概念整理： --- ### **核心术语对照** | 中文 | 英文 | |--------------------|----------------------------------------------------------------------| | 轻量级语义分割 | Lightweight Semantic Segmentation | | 双分支结构 | Dual-Branch Architecture | | 实时推理 | Real-Time Inference | | 模型压缩 | Model Compression (包括知识蒸馏 Knowledge Distillation, 剪枝 Pruning) | | 动态计算 | Dynamic Computation | | 多分辨率融合 | Multi-Resolution Fusion | --- ### **代表性模型英文名称** 1. **BiSeNet 系列** - 全称：**Bilateral Segmentation Network** - 关键模块： - Spatial Path（空间路径） - Context Path（上下文路径） - Feature Fusion Module（特征融合模块） 2. **STDCNet** - 全称：**Short-Term Dense Concatenation Network** - 特点：通过密集短连接减少冗余计算（Dense Short Connections） 3. **Fast-SCNN** - 全称：**Fast Segmentation Convolutional Neural Network** - 结构：双金字塔分支（Two-Pyramid Branch） + 共享浅层特征（Shared Shallow Features） 4. **SegFormer** - 全称：**Segmentation Transformer** - 核心：Mix Transformer Encoder（MiT） + 轻量级MLP解码器（Lightweight MLP Decoder） 5. **PIDNet** - 全称：**Proportional-Integral-Derivative Network** - 灵感来源：控制理论中的PID控制器（PID Controller） --- ### **关键性能指标英文表达** 1. **mIoU**：Mean Intersection over Union（平均交并比） 2. **FPS**：Frames Per Second（帧率） 3. **Params**：Parameters（参数量，单位：Million/M） 4. **FLOPs**：Floating Point Operations（浮点运算量） --- ### **常用英文数据集** 1. **Cityscapes**：城市道路场景分割（分辨率2048×1024） 2. **ADE20K**：通用物体分割（包含150类） 3. **PASCAL VOC**：经典分割基准（20类） 4. **COCO-Stuff**：复杂场景分割（包含172类） --- ### **英文论文推荐** 1. **BiSeNet V2** (ECCV 2020) - 标题：*"BiSeNet V2: Bilateral Network with Guided Aggregation for Real-time Segmentation"* - 链接：[arXiv:2004.02147](https://arxiv.org/abs/2004.02147) 2. **STDCNet** (CVPR 2021) - 标题：*"Rethinking BiSeNet for Real-time Semantic Segmentation"* - 代码：[GitHub-STDC](https://github.com/MichaelFan01/STDC-Seg) 3. **SegFormer** (NeurIPS 2021) - 标题：*"SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers"* - 亮点：无位置编码（Position-Free）的Transformer设计 --- ### **开源框架支持** 1. **MMSegmentation** (OpenMMLab)：支持BiSeNet、Fast-SCNN等 2. **TensorFlow Model Garden**：提供DeepLabv3+ Mobile版本 3. **PyTorch官方示例**：包含轻量级UNet实现 --- ### **研究趋势（英文关键词）** 1. **Vision Transformers**：轻量化视觉Transformer（如MobileViT） 2. **Neural Architecture Search (NAS)**：自动搜索高效分割结构（如Auto-DeepLab） 3. **Edge-Device Optimization**：面向边缘设备的优化（如TensorRT部署）如果需要特定模型的代码实现或论文解读，可进一步提供详细信息！ 🚀