论文阅读——Large Selective Kernel Network for Remote Sensing Object Detection-Toy模板网

这篇具有很好参考价值的文章主要介绍了论文阅读——Large Selective Kernel Network for Remote Sensing Object Detection。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

基本信息

期刊	CVPR
年份	2023
论文地址	https://arxiv.org/pdf/2303.09030.pdf
代码地址	https://github.com/zcablii/LSKNet

标题

遥感目标检测的大选择核网络

目前存在的问题

相对较少的工作考虑到强大的先验知识存在于遥感图像。航空图像通常是用高分辨率的鸟瞰图拍摄的。特别是，航拍图像中的大多数物体可能体积较小，仅从它们的外观很难识别。相反，这些物体的成功识别往往依赖于它们的上下文，因为周围的环境可以提供关于它们的形状、方向和其他特征的有价值的线索。

遥感图像中目标的精确检测往往需要广泛的上下文信息。
不同对象类型所需的上下文信息的范围是非常不同的。

改进

大核卷积
卷积核大小和膨大率的增加保证了感受野的快速扩展。我们设置了膨胀率的上界，以保证膨胀卷积不会在特征图之间引入间隙。例如，我们可以将一个大的内核分解为2或3个深度卷积，如表2所示，它们的理论感受野分别为23和29。

优点：

它显式地生成多个具有各种大型接受域的特性，这使得以后的内核选择更加容易。
顺序分解比简单地应用单个更大的内核更有效。我们的分解比标准的大卷积核大大减少了参数的数量

空间核选择
在不同尺度上从大卷积核中空间选择特征映射

首先，我们将不同感受野范围的不同核的特征进行串联，然后采用基于通道的平均和最大池化方法有效地提取空间关系，将空间融合的特征进行串联，并使用卷积层将融合的特征(2通道)转换为N个空间注意图，对于每个空间注意图̂SAi，使用一个sigmoid激活函数，对分解后的每个大核分别获得单个空间选择掩码，将分解后的大核序列中的特征按其对应的空间选择掩模加权，再经卷积层融合得到注意特征S