基于渐进式增强多级特征融合的遥感小目标检测网络(PEMFF)创新研究

【编辑推荐】针对遥感影像小目标检测存在的低分辨率、背景干扰等难题，深圳大学团队提出渐进式增强多级特征融合网络(PEMFF)，通过RepMF模块实现跨层动态特征聚合，RMA模块强化空间-通道注意力机制，RepIJ模块注入高层语义，在AI-TOD数据集上AP50达58.4%，较YOLOv8提升12.2%，为复杂场景小目标识别提供新范式。

　　

遥感影像中的小目标检测一直是计算机视觉领域的重大挑战。由于卫星拍摄视角的特殊性，这类图像中的目标往往仅占几个像素，却要面对复杂背景、高密度分布等干扰。就像在千米高空辨认地面的火柴盒，传统方法常因特征信息不足而失效。现有技术虽通过多尺度融合或特征增强部分缓解问题，但深层网络的语义稀释和空间细节丢失仍是瓶颈——这好比试图用模糊的望远镜寻找星空中的暗星，既需要广域视野又需极高精度。

针对这一难题，深圳大学智能信息处理研究所的研究团队在《Neurocomputing》发表研究，提出名为PEMFF的渐进式增强多级特征融合网络。该工作创新性地设计了三重机制：可学习权重分配的重新参数化多信息融合模块(RepMF)构建动态特征通路，残差多维注意力模块(RMA)通过级联空间-通道注意力抑制背景噪声，重新参数化信息注入模块(RepIJ)利用自适应核变换将高层语义注入浅层特征。实验证明，该网络在AI-TOD数据集上AP⁵⁰达到58.4%，显著优于主流模型。

关键技术方法包括：基于CSPDarkNet的主干特征提取网络构建多尺度表征；RepMF通过结构重参数化实现跨层特征自适应融合；RMA采用残差连接的混合注意力机制增强特征判别力；RepIJ通过可变形卷积优化语义注入过程；快速解耦检测模块(FDD)分离分类与定位特征空间。研究使用包含28,036张航空图像的AI-TOD数据集，涵盖8类小目标。

【网络结构】
PEMFF采用三级架构：CSPDarkNet提取多尺度特征，RepMF实现深浅层特征双向交互，RMA通过空间-通道注意力残差块增强关键区域响应。其中RepMF的并行分支结构在训练后合并为单一卷积核，兼顾性能与效率。

【实验结果】
在飞机、储油罐等小目标检测中，PEMFF的AP⁵⁰比YOLOv8提升12.2%，尤其对16×16像素以下目标召回率提高19.8%。可视化显示RMA有效抑制云层等背景干扰，RepIJ使浅层特征保留清晰边界。

【结论】
该研究突破性地解决了小目标检测中的三大矛盾：通过RepMF平衡语义与空间特征，RMA缓解背景干扰，RepIJ遏制语义稀释。方法在保持11.3GFLOPs计算量下实现SOTA性能，为无人机巡检、灾害监测等应用提供新工具。未来可探索跨模态特征融合进一步突破分辨率极限。