遥感目标检测的挑战
遥感图像中目标呈现方向多变和形态多样的特点
传统定向边界框（OBB）难以准确拟合目标轮廓
边界框内引入大量背景干扰，影响检测精度
定向边界框的三大局限
形状拟合不精确
• 仅能粗略定位目标
• 难以贴合实际轮廓
• 对细长目标效果差
• 形状描述能力有限
背景干扰严重
• 框内混杂背景信息
• 特征提取不纯净
• 误导分类与回归
• 限制整体性能
损失函数不匹配
• Smooth L1存在边界突变
• 与RIoU指标不一致
• 未考虑长宽比差异
• 角度回归权重固定
核心创新：代表性点集学习
点集替代边界框
采用代表性点集替代传统旋转边界框，实现对目标几何形状的灵活建模与准确定位
点集优势
✓ 自适应分布于关键区域
✓ 灵活贴合目标轮廓
✓ 有效减少背景干扰
✓ 精确描述形状与姿态
技术特点
• 通常使用9个关键点
• 分布于目标重要节点
• 弱监督方式定位
• 提供细致形状描述
方法整体框架
基础架构
主干网络
ResNet-50提取多层次特征
特征金字塔
FPN融合多尺度特征
双分支任务头
并行处理分类与回归
核心组件
回归分支
• 生成并优化代表性点集
• 高斯转换函数映射为二维高斯分布
• KL散度定位损失驱动点集移动
• 向目标关键区域对齐
分类分支
• 引入大间距余弦损失（LMCL）
• 特征归一化处理
• 扩大余弦决策边界
• 实现类内特征紧凑分布
三大核心技术
代表性点集表示
通过3×3卷积在目标中心点处回归多个关键点
• 弱监督方式定位关键点
• 回归关键点与中心点的空间偏移量
• 关键点集合构成代表性点集
• 通过网络学习完成偏移量预测
高斯转换函数
将点集映射为二维高斯分布，建模目标角度与形态
• 克服对孤立异常点的敏感性
• 构建基于高斯分布的回归损失
• 监督点集向语义关键区域移动
• 实现与几何特征的对齐
由粗到细的学习
采用两阶段学习方式，逐步优化点集位置
• 初始阶段：预测初步偏移量
• 细化阶段：使用可变形卷积优化
• 端到端联合训练
• 实现形状敏感的精确检测