三大创新模块
Three Core Innovation Modules
1
PKFFM
Parallel Kernel Feature Fusion Module
多核特征融合模块
- 四分体并行卷积结构
- 跨尺度特征整合
- 增强特征表示能力
2
CDBAM
Cascaded Dual-Branch Attention Module
级联双分支注意力模块
- 通道-空间协同注意力
- 跨维度交互机制
- 优化特征提取
3
SAM
Scenario-Aware Module
情景感知模块
- 多粒度空间信息捕捉
- 全局上下文信息利用
- 自适应特征校准
模块详细设计
PKFFM - 多核特征融合模块
核心机制
- • 小核：聚焦精细局部特征
- • 中核：提取中等尺度结构
- • 大核：建模长程上下文关系
- • 混合池化：生成空间敏感权重
技术优势
- • 突破传统卷积核尺度约束
- • 跨层级特征互补策略
- • 有效抑制语义衰减
- • 保障特征完整性
CDBAM - 级联双分支注意力模块
设计思想
- • 引入GAM跨维度交互思想
- • 单一通道→通道-空间协同
- • 精准捕捉跨通道空间依赖
- • 构建通道-空间联合分布
核心功能
- • 抑制冗余通道响应
- • 捕捉像素级长程依赖
- • 增强目标与背景可区分性
- • 优化特征提取质量
SAM - 情景感知模块
应用位置
- • 在检测头前引入
- • 对P3-P5特征图处理
- • 提取不同感受野局部特征
- • 自适应特征校准
关键作用
- • 捕捉多粒度空间信息
- • 动态融合多粒度空间线索
- • 增强全局上下文理解
- • 减少误回归问题
RS-WIoU损失函数
Remote Sensing Wise Intersection over Union (RS-WIoU) 损失函数专门针对高分辨率遥感图像设计，通过多粒度边界框回归优化，更好地适应目标尺度变化，实现更精准的定位，显著提升整体检测性能。
精准定位
针对遥感图像特点优化边界框回归策略
尺度适应
有效处理高分辨率图像中的目标尺度差异
性能提升
显著提升整体检测精度和鲁棒性
整体框架架构
主干网络 Backbone
- • 卷积模块堆叠逐级下采样
- • 生成P1/2到P5/32共5层特征图
- • 嵌入PKFFM和CDBAM模块
- • 增强多尺度特征捕获能力
颈部网络 Neck
- • C3-P3/8、C4-P4/16、C5-P5/32
- • 高阶语义与浅层信息双向融合
- • C3k2完成通道重排
- • 实现深浅特征高效耦合
检测头 Head
- • 3个检测层级引入SAM
- • 对P3-P5特征图自适应校准
- • Detect检测头同步定位与分类
- • 多尺度协同检测机制