摘要
遥感图像具有背景复杂、尺度变化大和小目标众多的特点，对高分辨率特征的语义建模和多尺度特征融合提出了更高的要求。然而，在 D-FINE 混合编码器中，相对高分辨率特征获得的全局语义交互有限，而直接应用稠密自注意力会带来巨大的计算成本，并会在所有空间位置均匀地应用语义更新。同时，固定的跨尺度重采样没有显式建模相邻特征层之间依赖于内容的局部对应关系。为了解决这些问题，我们提出了 OSPIR-DETR。首先，我们引入了对象选择性代理交互细化（OSPIR），它通过可学习的代理标记聚合所有空间特征的全局上下文，同时将语义读取和残差更新限制在选定的前景候选位置，从而实现具有选择性特征细化的全局语义建模。其次，我们提出了相邻尺度增益引导对齐细化（ASGAR），该方法从局部相关性响应中估计连续采样偏移量，并利用中心参考匹配增益调制这些偏移量，以在跨尺度融合前改善局部特征对齐。在三个基准上的评估表明，与匹配的 D-FINE-L 基线相比，在 DOTA-v1.0 上平均精度（AP）提升了 1.1 个点，在 NWPU VHR-10 上提升了 1.2 个点，在 VEDAI 上提升了 2.5 个点，表明在这三个基准上性能均有一致提升。
