高效视觉Transformer启发的轻量化网络EViT-Net：提升多尺度遥感图像特征提取的新范式

为解决遥感图像中多尺度目标检测精度低、漏检率高和部署成本大的难题，研究人员创新性地提出基于Vision Transformer(ViT)的轻量化网络EViT-Net。该研究通过CA-RepViT主干网络捕获全局特征，结合GSPPF、C3G2和LSPD模块优化多尺度特征融合，并构建P2-BiFPN增强跨层信息交互。实验显示模型参数量降低56.3%，在VisDrone2019和AI-TOD数据集上mAP提升1.8%-3.9%，FPS提高49.3%，为遥感图像实时分析提供高效解决方案。

　　

随着气候变化和资源短缺等全球性问题加剧，遥感技术作为地球观测的重要手段，在环境监测、城市规划和军事侦察等领域发挥着关键作用。然而，面对海量遥感数据，如何快速准确地识别多尺度目标仍是重大挑战。传统卷积神经网络(CNN)虽能有效提取局部特征，但其有限的感受野难以捕捉长程依赖关系；而新兴的Vision Transformer(ViT)虽具有全局建模优势，却存在计算成本高、局部细节捕捉不足等问题。这种技术瓶颈导致复杂场景下的目标检测常出现漏检率高、适应性差等问题，严重制约了遥感图像的实战化应用。

针对这一技术困局，研究人员在《Expert Systems with Applications》发表的研究中提出突破性解决方案。通过整合CNN的局部特征提取优势与ViT的全局建模能力，创新设计出轻量化网络EViT-Net。关键技术包括：采用CA-RepViT作为主干网络实现参数高效化；开发GSPPF模块进行多尺度特征压缩；设计C3G2结构增强浅层特征复用；构建LSPD组件优化空间信息编码；通过P2-BiFPN架构强化跨层特征交互；最终采用EDetect检测头提升分类定位精度。实验选用VisDrone2019、AI-TOD和SIMD三个典型数据集验证性能。

整体架构
EViT-Net采用分层设计理念，其创新性体现在三方面：通过CA-RepViT的重新参数化策略，在保持ViT全局注意力机制的同时，将计算量降低12.5%；GSPPF模块采用金字塔池化与跨阶段连接，使小目标检测召回率提升5.4%；P2-BiFPN通过双向跨尺度连接，实现深层语义特征与浅层定位特征的有机融合。

数据集验证
在包含密集小目标的VisDrone2019数据集上，EViT-Net的mAP达到42.1%，较YOLOv11提升1.8个百分点；在目标尺度差异显著的AI-TOD数据集上，其检测速度达到63FPS，较基线模型提升49.3%。特别在10-50像素的极小目标检测场景，召回率改善幅度达5.4%。

结论与意义
该研究开创性地实现了遥感目标检测"精度-效率"的协同优化：通过ViT与CNN的异构融合，突破传统方法对多尺度目标的适应性瓶颈；轻量化设计使模型参数减少56.3%，更适合边缘设备部署；提出的GSPPF和LSPD模块为多尺度特征处理提供新范式。这些突破不仅为智慧城市、灾害预警等应用提供技术支撑，更为计算机视觉领域的架构创新提供重要参考。值得注意的是，在SIMD数据集上的跨域测试验证了模型的强泛化能力，这对实际应用中光照变化、拍摄角度差异等复杂场景具有重要实践价值。