TGRS 2025 | 用于光学遥感中显著目标检测的轻量级多流框架

于 2025-08-06 08:42:45 发布
阅读量3 收藏
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： 目标检测 人工智能 计算机视觉 TGRS 论文解读 计算机顶刊
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_42722197/article/details/149149305

论文信息

题目：A Lightweight Multistream Framework for Salient Object Detection in Optical Remote Sensing
用于光学遥感中显著目标检测的轻量级多流框架
作者：Zhenxin Ai, Huilan Luo, and Jianqin Wang
源码：https://github.com/ai-kunkun/LiteSalNet

论文创新点

  1. 提出轻量级网络：论文提出用于光学遥感图像显著目标检测（SOD）的轻量级网络LiteSalNet，并引入自适应空间注意力模块（ASAM）、双尺度特征增强模块（DSFEM）和语义上下文增强模块（SCEM），在保持较低计算开销的同时对多尺度特征进行细化，提升特征提取、多尺度表示和边界细化能力。
  2. 开发多流渐进解码框架：开发多流渐进解码框架（MSPDF）
了解本专栏 订阅专栏 解锁全文
TGRS 2024 | 用于遥感图像小目标检测的 FFCA-YOLO 算法
小白学视觉
05-19 128
在遥感领域，小目标检测面临着特征表示不足、背景混淆等难题。尤其是当算法需要部署到机载设备上进行实时处理时，这要求在有限的计算资源下对精度和速度进行大量优化。为解决这些问题，文章提出了一种高效的检测器——特征增强、融合与上下文感知YOLO（FFCA-YOLO）。FFCA-YOLO包含三个创新的轻量级即插即用模块：特征增强模块（FEM）、特征融合模块（FFM）和空间上下文感知模块（SCAM）。
目标检测YOLO实战应用案例100讲-基于YOLO模型的遥感影像 飞机目标检测技术研究
qq_36130719的博客
05-22 2582
遥感是一种无需接触的远程空间探测技术，该技术是通过记录、测量、解析星载或机载传感器等非接触式传感器获取的影像信息和数字图像信息并真实可靠地构造出相关自然物体和周围环境等信息的一门科学和工程技术[1]。随着中国航空航天事业和遥感技术的快速发展，中国已经成功地发射了数十颗高分辨率对地观测卫星，可以方便快捷地获取到全球范围内各种不同类型的高分辨率遥感影像。遥感影像空间分辨率的大幅提升，使得如今遥感影像数据具有庞大吞吐量、丰富细节、复杂背景等特征[2]；然而，工。
顶刊【遥感目标检测】【TGRS】FFCA-YOLO遥感图像小目标检测
weixin_44184852的博客
03-29 2006
摘要——特征表征不足、背景干扰等问题使得遥感图像中的小目标检测任务极具挑战性。尤其在算法需部署于星载设备进行实时处理时，需在有限计算资源下对精度与速度进行深度优化。为此，本文提出一种名为特征增强-融合与上下文感知YOLO（FFCA-YOLO）的高效检测器。
2022年显著性检测部分论文及代码汇总
qq_47627751的博客
12-28 637
SOD2022部分论文收录
顶刊【TGRS】【遥感目标检测】AMFLW-YOLO：基于注意力机制与多尺度特征融合的轻量化遥感图像检测网络
weixin_44184852的博客
03-30 1344
摘要—遥感图像中目标尺度变化大且多样，存在大量分布密集的小目标及高复杂度的图像背景。基于深度学习的物体检测算法网络参数量与计算量庞大，难以在性能固定且计算资源有限的平台上部署。本文提出一种轻量级遥感目标检测模型AMFLW-YOLO（注意力与多尺度特征融合轻量YOLO）。该模型在骨干网络中采用深度可分离卷积、逆残差结构和线性瓶颈结构替代标准卷积层，以降低参数量；在特征融合网络引入坐标注意力机制（CA），同步捕获跨通道的方向与位置感知信息，提升网络精度；
Mamba杀入遥感图像！11个全开源idea，助你无痛发顶刊！
Aifuyao的博客
05-08 962
在人工智能与遥感技术深度融合的前沿领域，正成为极具开拓价值的研究方向。这一方向兼具技术创新性与应用落地潜力，目前竞争度较低，适合早期布局。Mamba 作为高效的状态空间模型（SSM），以线性复杂度实现长序列建模和全局依赖捕获，完美契合遥感数据处理中对时空分辨率、计算效率和多维度分析的核心需求，在城市动态监测、灾害应急响应、军事目标识别等实时性要求高的场景中展现出独特优势。
卫星图像检测，分割，跟踪，超分辨率，数据集调研，以及论文笔记
zhangzhao147的博客
08-12 3392
目标检测，针对物体有很多类如桥，烟囱，罐子等，有静态图像下的检测，也就是图像源头多来自谷歌地图，但是前后帧没有任何联系，并且谷歌地图相对来说比较清楚，难度小一点，也有粗粒度以及较细粒度的检测，然后卫星视频的数据集较少，则可以通过前后帧的联系来辅助检测，并且卫星帧基本上只对车，船，飞机，火车进行检测，没有进行细粒度的检测即将车辆分类为卡车，皮卡，小轿车，但是关船，则可以分类为货船以及军舰，因为目前的卫星视频中小车实在太少了，难以进行更细粒度的检测。luojia 三号卫星。
顶刊【遥感舰船目标检测】【TGRS】CM-YOLO：基于上下文调制表征学习的船舶检测方法
weixin_44184852的博客
04-13 1664
摘要—船舶检测在军事和民用领域均具有重要应用价值。现有方法主要关注显著的海上船舶，对易与复杂背景混淆的近岸船舶关注不足。利用位置、形状等上下文信息可提升复杂环境下的船舶检测与分类性能。本文提出一种基于上下文调制表征学习的检测方法CM-YOLO，其采用包含骨干网络、颈部网络和检测头的经典检测器设计框架，输入图像依次通过这三个组件获得检测结果。
遥感视觉大模型综述（近万字长文，包括但不限于遥感领域）
qq_36101623的博客
11-28 7808
CLIP是一种基于对比学习的多模态模型，与CV中的一些对比学习方法如moco和simclr不同的是，CLIP的训练数据是文本-图像对：一张图像和它对应的文本描述，这里希望通过对比学习，模型能够学习到文本-图像对的匹配关系。与其他自动编码器一样，本文的方法有一个编码器，可以提取掩码图像的隐藏表示，然后用于重建掩码区域的原始信号。虽然大多数基础模型都是为了有效地处理各种视觉任务的RGB图像而定制的，但在光谱数据方面的研究存在明显的差距，光谱数据为场景理解提供了有价值的信息，特别是在遥感(RS)应用中。
均值聚合与PCA：优劣全解析
ZJQ的博客
08-05 37
摘要： 均值聚合与主成分分析（PCA）是两种数据简化方法，适用场景不同。均值聚合优势在于计算简单（基础运算即可）、可解释性强（结果对应原始变量水平）、对数据分布无严格要求，且聚焦“集中趋势”，适合快速整合信息或需直观解释的场景（如绩效评分）。PCA则依赖变量相关性，需先标准化数据以消除量纲影响，核心是提取数据变异方向，适合高维强相关数据降维。两者非替代关系，需根据目标选择：关注整体水平时用均值聚合，探索数据结构时用PCA。 （150字）
使用yolo11训练饮料瓶盖缺陷检测质量检测数据集VOC+YOLO格式1432张5类别步骤和流程
FL1623863129的博客
08-03 738
训练完成后，最佳权重保存路径为：runs/detect/train/weights/best.pt，如果多次运行命令runs/detect/train2,runs/detect/train3文件夹生成只需要到数字最大文件夹查看就可以找到模型。经过上面训练可以使用模型做一步部署，比如使用onnx模型在嵌入式部署，使用engine模型在jetson上deepstream部署，使用torchscript模型可以在C++上部署等等。通过比较不同模型在这些指标上的表现，可以判断哪个模型在实际应用中可能更有效。
Opera浏览器v120.0.5543.128绿色版，集成多重加速引擎，告别卡顿与追踪
midou55com的博客
08-02 527
一、产品概况Opera 诞生于挪威，以“小巧、快速、安全”闻名。该绿色版基于官方最新稳定分支定制，免安装、不写注册表，解压即可运行，适用于 U 盘随身携带或本地无痕使用。二、核心特色极速内核原生 Blink 引擎，启动与页面加载速度优于多数同内核浏览器；精简皮肤与 16×16 图标进一步减少资源占用。高度可定制• 快速拨号：内置可视化定制工具，背景、图标、布局随心调整。• 鼠标手势 + 快捷键：支持自定义，浏览效率倍增。• 界面选项：可隐藏标题栏、一键全屏，打造极简视觉体验。
提升优快云文章在AI大模型的RAG搜索中引用率的综合策略分析,以“微学AI“为例
微学AI的博客
08-01 415
随着大型语言模型（LLM）与检索增强生成RAG技术的普及，AI驱动的搜索与问答正在成为获取技术信息的核心渠道。对于像“微学AI”这样的优快云技术博主而言，其文章能否被这些AI系统有效检索和引用，直接关系到其知识传播的广度、个人品牌的影响力以及潜在的技术领导力。本报告深入剖析了RAG系统的工作原理，并结合传统的搜索引擎优化（SEO）与新兴的AI内容优化策略，为优快云博主提出一套系统性的、可操作的优化方案。报告的核心观点是，创作者需要从“为人类读者写作”进化到“为人类与AI双重读者写作”.
【YOLO系列】YOLOv11详解：模型结构、损失函数、训练方法及代码实现
一碗白开水一
08-01 1448
YOLOv11在目标检测领域实现重大突破，通过动态骨干网络(Dyna-Backbone)和FPN++架构，在保持高帧率(≥60FPS)的同时提升小目标检测精度(AP_S提升5.6%)。创新采用CIoU++损失函数和类别平衡Focal Loss，结合Mosaic-Plus数据增强，参数量减少18%至6.5M。实验显示，该模型在COCO数据集上实现更高mAP，特别适合移动端部署，Jetson Xavier平台能耗比优化至3.2W·ms⁻¹，支持目标检测、实例分割等多任务场景。关键创新包括动态深度调整和双向特征金
DDoS 防护的未来趋势AI 如何改变安全行业
最新发布
2301_78078966的博客
08-05 735
​：AI正在重塑DDoS攻防的底层逻辑——攻击者利用AI实现攻击自动化与隐蔽化，防御者则通过AI驱动的动态响应与预测能力重建安全防线。未来安全行业的竞争，本质是AI技术迭代速度与攻防对抗深度的较量。
基于深度学习的医学图像分析：使用变分自编码器（VAE）实现医学图像生成
qq_74383080的博客
08-03 554
本文介绍了基于变分自编码器（VAE）的医学图像生成技术。首先概述了医学图像分析的定义及其在疾病模拟、图像增强和数据增强中的应用场景。然后详细讲解了VAE的理论基础，包括其编码器-解码器架构和生成多样性优势。文章提供了完整的代码实现流程：从环境准备、数据加载预处理，到VAE模型定义、训练和评估方法，最后展示了生成图像的可视化效果。该技术能够生成多样化的医学图像，支持医学研究和临床应用。读者可通过调整模型结构和参数进一步优化生成效果。
大模型退潮后，AI Agent接棒：从“智能助手”到“超级生产力”
weixin_52610848的博客
08-03 674
摘要： AI Agent作为大模型落地的关键载体，正从“智能助手”进化为“超级生产力工具”。其核心架构包含大脑（LLM驱动的思考中枢）、感知（多模态输入）和行动（工具调用与物理交互）三大模块，具备自主规划、协作与学习能力。当前应用覆盖个人助理（如AutoGPT）、产业协作（如MetaGPT模拟团队）及情感陪伴（如Pi）等场景，但面临幻觉错误、伦理对齐等挑战。未来将在企业服务、医疗、制造等垂直领域率先爆发，并逐步向“Agent+”生态演进，成为通往通用人工智能（AGI）的重要路径。 （字数：149）
基于Java的AI工具和框架
keny-大成的博客
08-04 809
本文介绍了多个基于Java的AI工具和框架的实用案例，涵盖机器学习、自然语言处理、计算机视觉、推荐系统等领域。主要内容包括： 机器学习与深度学习：使用Deeplearning4j进行图像分类、Weka实现决策树算法、Apache Spark MLlib分布式逻辑回归等案例，并提供代码示例。 自然语言处理：OpenNLP句子分割、Stanford CoreNLP命名实体识别、LingPipe情感分析等工具的应用实例。 计算机视觉：OpenCV人脸检测、BoofCV特征点匹配、ImageJ医学图像分析等场景的实
计算机视觉（2）车规摄像头标准
weixin_42700971的博客
08-04 668
AEC-Q104成为CIS封装可靠性新焦点，思特威SC326AT通过。是当前L2+/L3前装量产。达成Grade 2要求。
小目标检测 tgrs
01-17
### 小目标检测在高分辨率遥感图像中的应用 小目标检测是遥感领域的重要课题之一，在高分辨率卫星影像中具有广泛应用。针对这一主题的研究主要集中在提高检测精度和鲁棒性方面。 #### 半监督卷积神经网络的应用 一种有效的解决方案是在半监督框架下利用卷积神经网络进行特征提取与分类。例如，SemiCDNet作为一种创新性的方法被提出用于变化检测任务，该模型通过引入少量标注数据来指导未标记样本的学习过程，从而有效提升了对于细微差异的识别能力[^2]。 然而，具体到小目标检测上，研究者们也探索了多种技术路径： - **多尺度特征融合**：为了捕捉不同大小的目标物体，采用多层次的感受野机制可以增强模型对细粒度结构的理解。 - **注意力机制**：通过对输入图像的关键区域施加权重调整，使得网络能够更加关注潜在的小型实体位置。 - **数据增强策略**：由于实际场景中小目标的数量通常较少，因此合理的扩充训练集有助于缓解过拟合现象并改善泛化性能。 ```python import torch.nn as nn class SmallObjectDetector(nn.Module): def __init__(self, num_classes=1): super(SmallObjectDetector, self).__init__() # 定义一个多层感知器作为基础架构 self.features = nn.Sequential( nn.Conv2d(in_channels=3, out_channels=64, kernel_size=(3, 3), padding='same'), nn.ReLU(), ... ) # 添加自定义模块实现特定功能如注意力机制或多尺度处理 def forward(self, x): output = self.features(x) return output ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值